使用ConvNeXt和Swin变压器进行血细胞图像分类的基于注意力的双路径深度学习

科学领域:

• 医学图像分析 医学图像分析
• 血液学 血液学 血液学
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 准确的血细胞分类对于诊断血液学疾病至关重要.
• 传统的方法是劳动密集型的,可能是不一致的.
• 需要自动化分析来提高诊断效率.

研究的目的:

• 开发一个高度准确的自动化血细胞分类系统.
• 利用深度学习来增强功能提取和上下文集成.
• 为了提高医疗图像的质量,以便更好地分化细胞.

主要方法:

• 一个双路径深度学习架构,结合了ConvNeXt和Swin Transformer网络.
• 实现一个多尺度预处理模块 (MPM) 用于图像增强.
• 在17,092张血细胞图像的数据集上进行培训和验证.

主要成果:

• 实现了前所未有的分类准确率99.98%.
• 与现有的血液细胞分析方法相比,其表现优越.
• MPM显著改善了蜂特征的可见性和差异化.

结论:

• 拟议的双路径深度学习模型为血细胞分类提供了高度准确的解决方案.
• 这项技术有可能提高临床诊断工作流程和患者的治疗结果.
• 自动化,精确的血细胞分析可以减少医疗专业人员的工作量,提高诊断速度.