相关实验视频
Updated: May 28, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
353
皮肤损伤图像的多重分类,包括使用基于变压器的深度学习架构的mpox疾病
Seyfettin Vuran1, Murat Ucan2, Mehmet Akin3
1Department of Information Technologies, Dicle University, Diyarbakir 21200, Turkey.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
一个新的深度学习模型通过皮肤图像准确地诊断Mpox疾病,为传统方法提供了更快,更可靠的替代方案. 这一进步有助于医疗专业人员在早期检测和对Mpox和其他皮肤疾病的决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 麻疹 (Mopox) 是一个重要的全球健康问题,影响了110个国家,并构成流行病风险.
- 传统的Mpox检测方法缓慢而昂贵,需要先进的诊断解决方案.
- 需要使用皮肤病变图像进行Mpox诊断的快速,准确和自主方法.
研究的目的:
- 利用基于变压器的深度学习开发一种多类,快速和可靠的Mpox和其他皮肤疾病的自主诊断模型.
- 评估自我监督学习,自我蒸和转移窗口技术对诊断准确性的影响.
- 利用Mopox皮肤损伤数据集 (2.0版本) 进行培训和验证.
主要方法:
- 利用基于变压器的深度学习架构,包括视觉变压器 (ViT),掩盖自动编码器 (MAE),DINO和SwinTransformer.
- 在Mopox皮肤损伤数据集 (版本2.0) 上训练并验证的模型.
- 在变压器模型中研究了自我监督学习,自我蒸和转移窗口技术的有效性.
主要成果:
- 拟议的SwinTransformer架构实现了93.71%的准确性,优于其他模型.
- 与最接近的竞争对手相比,SwinTransformer在准确度上表现出8%的改进.
- ViT,MAE和DINO的准确度分别为93.10%,84.60%和90.40%. 这两种测试的准确度分别为93.10%,84.60%和90.40%.
结论:
- 开发的深度学习模型成功地以高准确度诊断Mpox和其他皮肤病变.
- 这项技术可以显著支持医疗保健专业人员的临床决策.
- 研究结果为在医疗领域应用基于变压器的模型提供了宝贵的见解,图像数据有限.
