一个可解释的深度学习模型用于糖尿病足的分类,使用swin变压器和高效的多尺度注意力驱动网络
R Karthik1, Armaano Ajay2, Anshika Jhalani3
1Centre for Cyber Physical Systems, Vellore Institute of Technology, Chennai, India.
Scientific reports
|February 3, 2025
概括
结合Swin变压器和EMADN网络的新型深度学习模型准确地分类糖尿病足 (DFU). 这种双轨道方法改善了诊断,可能减少截肢和医疗保健成本.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 糖尿病足 (DFU) 是一种严重的糖尿病并发症,导致下肢截肢和严重的医疗负担.
- 手动的DFU诊断是具有挑战性的,因为不同的视觉特征,往往导致错过诊断.
研究的目的:
- 开发一个自动化,高效的深度学习模型,用于准确的糖尿病足的分类.
- 引入一种新的双轨功能融合架构,以增强DFU检测.
主要方法:
- 一种新的双轨模型,集成Swin变压器用于远程依赖和高效多尺度注意力驱动网络 (EMADN) 用于局部特征.
- 两条轨道的特征地图都被连接在一起,并使用混合注意力来改进.
- 基于Grad-CAM的可解释的人工智能 (XAI) 用于模型解释性.
主要成果:
- 拟议的模型在DFUC-2021数据集上实现了78.79%的准确性和80%的宏观F1得分.
- 超越现有的方法和预训练的卷积神经网络 (CNN) 架构.
- 通过双轨架构证明了有效的特征提取和改进.
结论:
- 新的双轨深度学习模型为自动和准确的糖尿病足分类提供了一个有希望的解决方案.
- 这种方法有可能改善早期诊断,促进及时治疗,并减少糖尿病患者下肢截肢的发生率.


