LMTTM-VMI:用于3D体积医学图像分类的链接内存令牌图灵机
Hongkai Wei1, Yang Yang1, Shijie Sun1
1School of Information Engineering, Chang'an University, Xi'an, 710064 Shaanxi, China.
Computer methods and programs in biomedicine
|February 14, 2025
概括
一种新的链接记忆令牌图灵机 (LMTTM) 通过高效处理空间数据来增强3D医疗图像分类. 这种深度学习模型实现了最先进的准确性,有助于医学诊断和治疗规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 生物医学成像对于医学诊断和治疗至关重要.
- 将深度学习集成到医学成像中面临3D体积数据的挑战.
- 传统的方法在3D图像中的空间特征和内存效率方面扎.
研究的目的:
- 引入一种新的深度学习模型,即链接记忆令牌图灵机 (LMTTM),用于改进3D体积医学图像分类.
- 提高医疗图像中的空间依赖性和结构复杂性的处理.
- 为了改善复杂的医疗图像分析的记忆利用和模型适应性.
主要方法:
- 该研究提出了链接记忆令牌图灵机 (LMTTM) 模型.
- LMTTM使用外部链接的内存模块来记录图像特征.
- 该模型是从MedMNIST v2.2.的六个3D体积医学图像数据集上评估的.
主要成果:
- 在MedMNIST v2数据集上,LMTTM模型实现了82.4%的平均精度 (ACC).
- 拟议的模型在3D体积医学图像分类中获得了最先进的 (SOTA) 性能.
- 废除研究显示,与前身TTM的Memory相比,性能有5.7%的改善.
结论:
- 通过利用链接内存进行特征积累和推理,LMTTM有效地对3D体积医学图像进行分类.
- 该模型显示出有很大的潜力,可以帮助医疗保健专业人员进行诊断和治疗计划.
- 开发的LMTTM为复杂的医学图像分析提供了增强的能力.
