LungNet-ViT:使用多阶段视力转换器模型从胸部放射图得到的有效的肺病分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 从胸部X射线图 (CXR) 准确分类肺部疾病对于及时诊断和治疗至关重要.
• 现有的方法可能会面临数据集不平衡和特征提取效率的挑战.

研究的目的:

• 引入和评估一个多阶段视觉转换器 (Multistage-ViT) 模型,使用CXR图像进行精确的肺病分类.
• 在不平衡和平衡数据集上评估模型的性能.

主要方法:

• 开发一种混合多阶段-ViT模型,将骨干网络与视觉变压器 (ViT) 架构集成在一起.
• 使用深度特征提取技术,以提高分类准确度.
• 在一个包含正常,COVID-19,病毒性肺炎和肺空白等级的数据集上测试模型.

主要成果:

• 多阶段ViT模型实现了高分类准确率:在不平衡的数据集上达到99.93%,在平衡的数据集上达到99.97%.
• 混合动力配置,特别是InceptionV3与ViT相结合,在独立型号上表现出优越的性能.
• 该模型有效地从CXR图像中提取了深层特征,提高了分类器的性能.

结论:

• 多阶段ViT模型为CXR图像的肺部疾病分类提供了卓越的准确性和稳定性.
• ViT架构的集成促进了先进的深度特征提取,提高了诊断能力.
• 这种方法在推进自动肺病诊断方面具有重大潜力.