一种新的Pes Planus自动诊断方法:ViT-OELM混合建模模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 平脚 (pes planus) 是一种常见的脚状况,其特征是平脚.
• 传统的诊断方法可能是主观的,耗时的.
• 深度学习为医疗条件的自动化和客观诊断提供了潜力.

研究的目的:

• 提出和评估一个新的视觉转换器优化极端学习机器 (ViT-OELM) 混合模型,用于自动诊断 pes planus.
• 将拟议的ViT-OELM模型的性能与使用相同数据集的现有方法进行比较.
• 利用深度学习来提高从脚图像中识别 pes planus 的准确性.

主要方法:

• 利用一个公开可用的Kaggle数据集的pes planus图像.
• 开发了一个ViT-OELM混合深度学习架构,结合了用于特征提取的注意力机制.
• 采用一个最佳极端学习机器 (OELM) 分类器,用于二进制分类 (pes planus与非pes planus) 的提取特征.

主要成果:

• 在二进制分类中,ViT-OELM模型实现了高性能指标.
• 实现了98.04%的精度,98.04%的回忆,98.04%的精度,98.05%的精度和98.03%的F-1分数.
• 与使用相同 pes planus 数据集的其他研究相比,证明了更高的性能.

结论:

• 拟议的ViT-OELM混合模型是有效的自动化pes planus诊断.
• 该模型的高精度和性能指标表明其临床潜力.
• 这种深度学习方法在客观评估平脚方面提供了有前途的进展.