混沌-MLP:混沌转换 像MLP这样的医疗图像架构 多标签识别任务任务

科学领域:

• 人工智能的人工智能
• 传统中国医药 传统中国医药
• 医学图像分析 医学图像分析

背景情况:

• "三阶段预防"的理论是现代中国医学的疾病预防的核心.
• 自动体位识别 (BCR) 对智能传统中医 (TCM) 系统至关重要,有助于疾病预防和诊断.
• 由于TCM构成理论的复合性,BCR提出了一个复杂的多标识识别挑战.

研究的目的:

• 为中国传统医学 (TCM) 开发一个先进的自动化身体构造识别 (BCR) 系统.
• 引入一种新的MLP类架构,Chaos-MLP,以及二元中心认知重力损失 (BCCGL),以提高BCR性能.
• 建立新的基准数据集,用于多标签的面部和舌头身体结构识别.

主要方法:

• 构建两个新的多标签数据集:多标签面部身体结构 (MFBC) 和多标签舌头身体结构 (MTBC).
• 设计Chaos-MLP,一种类似MLP的神经网络架构,利用混乱的转换来增强与医疗图像的特征区分能力.
• 将频道混乱特征与定向特征集成,并实施BCCGL以解决BCR中的标签不平衡.

主要成果:

• 拟议的混沌-MLP模型在MFBC和MTBC数据集上表现出优异的性能,与现有的最先进 (SOTA) 方法相比.
• 混沌MLP的性能优于其他MLP类网络 (波浪MLP,循环MLP,Vip,主动MLP) 和基于视觉图的神经网络 (VGNN).
• 混乱的转换有效地增强了特征的独特性,而BCCGL则通过不平衡的宪法标签改善了学习.

结论:

• 混沌-MLP模型与BCCGL相结合,代表了智能TCM的自动化身体构成识别的重大进步.
• 开发的数据集和方法为基于TCM的疾病预防和诊断的未来研究提供了坚实的基础.
• 这项工作突出了将先进的深度学习技术与传统医学理论相结合的潜力,以提高医疗保健成果.