杆式swin变压器带有深度学习模型组合,用于使用镜图像进行宫癌查
D Dakshayani Himabindu1, E Laxmi Lydia2, M V Rajesh3
1Department of Information Technology, VNR Vignana Jyothi Institute of Engineering and Technology, Hyderabad, India.
Scientific reports
|March 6, 2025
概括
一个新的深度学习模型,LSTEDL-CCS,可以从镜图像中准确检测子宫癌 (CC). 这种先进的技术显著提高了早期查的效率和准确性,达到99.44%的准确性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 宫癌 (CC) 是影响女性的全球领先癌症,源于宫细胞的异常进化.
- 通过查方法的早期检测,如结肠镜检查,人类乳头瘤病毒 (HPV) 检测和巴氏涂片检查,对于有效的治疗至关重要.
- 传统的查模型容易出现人为错误,这凸显了对先进诊断工具的需求.
研究的目的:
- 引入一种新的深度学习技术,利用Swin变压器与宫癌查深度学习模型组合 (LSTEDL-CCS),以提高CC检测.
- 为了提高宫癌查的效率和准确性,使用结肠镜图像.
- 使用一组深度学习模型对子宫癌进行分类.
主要方法:
- 使用维纳过器 (WF) 进行图像预处理.
- 通过Swin变压器 (ST) 网络进行特征提取.
- 使用自动编码器 (AE),双向门式循环单元 (BiGRU) 和深度信念网络 (DBN) 进行集体学习,用于癌症检测.
- 使用鱼优化算法 (POA) 的超参数优化.
主要成果:
- 该LSTEDL-CCS技术在检测和分类宫癌从镜图像中表现出高性能.
- 在实验验证中取得了99.44%的卓越准确性,超过了现有的模型.
- 整体方法有效地结合了多种深度学习模型,以进行强大的癌症检测.
结论:
- LSTEDL-CCS模型为自动化宫癌查提供了一个有希望的,高度准确的解决方案.
- 深度学习,特别是Swin变压器和组合方法,显著提高了基于结肠镜的CC查的诊断准确性.
- 这种方法有可能减少人为错误,提高宫癌早期干预率.
