基于ViT交叉的肺结节的良性和恶性分类

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能
• 深度学习用于癌症诊断

背景情况:

• 准确地区分良性和恶性肺结节对于诊断肺癌程度至关重要.
• 传统的卷积神经网络 (CNN) 模型往往过度强调局部特征,忽视结节分析中的全球信息.
• 现有的方法难以有效地整合本地和全球特征提取,以改善结节分类.

研究的目的:

• 提出一个新的深度学习网络,交叉融合注意力ViT (Cross-ViT),用于增强肺结节分类.
• 为了有效地将CNNs的本地特征与Transformers的全球特征融合在一起,以便进行全面的结节分析.
• 提高将肺结节分类为良性或恶性的准确性和可靠性.

主要方法:

• 开发了一个跨融合注意力ViT (Cross-ViT) 网络架构.
• 采用双分支方法:一种是基于CNN的本地特征提取,另一种是基于变压器的全球特征提取.
• 实施了交叉融合关注模块,以整合来自两个分支机构的功能,使联合本地和全球信息处理成为可能.

主要成果:

• 跨越ViT网络在LUNA16数据集上取得了高绩效,准确度,精度,回忆和F1分数分别为91.04%,91.42%,92.45%和91.92%.
• 当使用SENet作为CNN分支时,性能进一步提高到92.43%的准确性,94.27%的精度,91.68%的回忆率和92.96%的F1得分.
• 与平均最佳方法相比,拟议的方法表现优越,准确度,精度,回忆和F1分数显著改善.

结论:

• 跨越ViT网络有效地捕获和处理本地和全球信息,大大提高了肺结节分类的准确性.
• 通过Cross-ViT将CNN和Transformer功能融合在一起,这比传统的良性和恶性歧视方法有了有前途的进步.
• 这种深度学习方法显示出卓越的性能,超过了大多数现有的肺结节分析分类方法.