一个基于深度融合的视觉转换器用于乳腺癌分类
Ahsan Fiaz1, Basit Raza1, Muhammad Faheem2
1Department of Computer Science COMSATS University Islamabad (CUI) Islamabad Pakistan.
Healthcare technology letters
|December 25, 2024
概括
一种新的基于深度融合的视觉变压器模型 (DFViT) 通过结合CNN和变压器,在组织病理图像中有效检测乳腺癌. 这种方法提高了准确性,并为癌症诊断设定了新的标准.
科学领域:
- 数字病理学数字病理学
- 计算瘤学是一种计算瘤学.
- 医学中的人工智能
背景情况:
- 乳腺癌仍然是全球女性死亡的主要原因.
- 在组织病理学中精确检测癌细胞组织对于诊断至关重要.
- 现有的卷积神经网络 (CNN) 模型难以捕捉复杂的细胞和染色模式.
研究的目的:
- 开发一种先进的深度学习模型,用于在组织病理图像中增强乳腺癌检测.
- 克服当前特征提取和图像处理方法的局限性.
- 通过一种新的基于融合的方法来提高诊断的准确性.
主要方法:
- 提出了一个基于深度融合的视觉变压器模型 (DFViT),集成CNN和变压器.
- DFViT融合了RGB和染色标准化的图像,以捕捉本地和全球模式.
- 该模型在不同的数据集上进行了训练和验证,包括BreakHis,BACH和UC.
主要成果:
- DFViT在准确度,F1分数,精度和回忆方面表现出卓越的表现.
- 该模型有效地捕捉了细胞层和染色特性复杂的图案.
- 在乳腺癌诊断的基因病理图像分析中取得了最先进的结果.
结论:
- 拟议的DFViT模型在使用基因病理图像进行乳腺癌诊断方面取得了重大进展.
- 通过CNN和变压器的深度融合,可以更有效地提取特征.
- 这种方法为数字病理学中的自动化分析设定了新的基准.
