GBCHV是一种先进的深度学习解剖意识模型,用于使用超声波图像准确地分类胆囊癌
Md Zahid Hasan1, Md Awlad Hossen Rony2, Sadia Sultana Chowa2
1Health Informatics Research Laboratory (HIRL), Department of Computer Science and Engineering, Daffodil International University, Dhaka, 1341, Bangladesh. zahid.cse@diu.edu.bd.
Scientific reports
|February 27, 2025
概括
一个新的深度学习模型,GBCHV-Trans,使用超声波图像准确地分类胆囊癌 (GBC). 这种对解剖学有意识的变压器模型实现了96.21%的诊断准确度,超过了早期GBC检测的传统方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 胆囊癌 (GBC) 的诊断依赖于准确的图像分析.
- 传统的深度学习模型面临着医疗图像中复杂的空间模式的挑战.
- 超声波成像为GBC检测提供了一种非侵入性方法.
研究的目的:
- 开发一种新的深度学习模型,使用超声波图像进行准确的GBC分类.
- 为了提高图像质量和胆囊边界检测,提高诊断准确度.
- 为高级GBC分类引入一个对解剖学有意识的变压器模型.
主要方法:
- 使用GBC USG (GBCU) 数据集进行培训和验证.
- 采用的图像处理技术:中位过和对比度有限的自适应直方图平衡.
- 开发了GBC水平垂直变压器 (GBCHV) 模型,具有自我注意机制和解剖意识的水平垂直条形转换.
- 进行了废除研究,并将性能与七种转移学习模型进行了比较.
- 使用梯度加权类激活映射 (Grad-CAM) 可视化模型决策.
主要成果:
- 该GBCHV-Trans模型的整体诊断准确率达到了96.21%.
- 与七种转移学习模型相比,拟议的模型表现出优越的性能.
- 解剖意识机制有效地捕获了空间关系和复杂的胆囊特征.
- 格拉德-CAM为模型的分类决定提供了视觉解释.
结论:
- 该GBCHV-Trans模型提供了一个高度准确和强大的解决方案,用于从超声波图像进行GBC分类.
- 这种新的解剖意识型变压器方法在诊断效率方面超过了传统方法.
- 这种深度学习方法对精确和早期GBC检测具有前景.
