基于人工智能的医疗成像分类和预测,使用一个新的反向和自我注意深度神经网络架构框架
Junaid Aftab1, Muhammad Attique Khan2, Sobia Arshad1
1Department of Computer Engineering, HITEC University, Taxila, 47080, Pakistan.
Scientific reports
|March 14, 2025
概括
这项研究引入了一种新的深度学习框架,用于在各种模式下对医疗图像进行分类,从而实现高精度. 这种新的方法通过有效处理各种成像数据来增强计算机辅助诊断.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 医学图像分类对于计算机辅助诊断 (CAD) 是至关重要的.
- 深度学习显得有前途,但由于类间/类内相似性,它面临着各种成像模式的挑战.
- 传统的特征提取方法不如深度学习有效.
研究的目的:
- 提出一种新的深度学习框架,用于分类各种医学成像模式.
- 提高医学图像分类系统的准确性和稳定性.
- 为应对CAD系统中成像方式的变化所带来的挑战.
主要方法:
- 一个深度学习框架,包含数据增强,两个自定义架构 (IRCNN,SACNN) 和功能融合 (修改序列融合).
- 采用了一个控制标准错误平均值 (SScSEM) 的优化算法来进行特征选择.
- 使用GradCAM进行定制模型的可解释AI (XAI) 分析.
主要成果:
- 在五个公共数据集上实现了高精度:98.6% (INBreast),95.3% (KVASIR),94.3% (ISIC2018),95.0% (肺癌) 和98.8% (口腔癌).
- 与基于精度和准确性的现有方法相比,证明了卓越的性能.
- 实现的模型在GitHub上公开提供.
结论:
- 拟议的深度学习框架有效地分类了各种医学成像模式,优于现有的方法.
- 新的架构和融合方法提高了计算机辅助诊断的准确性.
- 可解释的人工智能 (GradCAM) 为模型的决策过程提供了洞察力.
