相关实验视频
Updated: May 12, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
320
基于多轴变压器的U-Net与类平衡组合模型用于使用X射线图像进行肺部疾病分类
Suresh Maruthai1, Tamilvizhi Thanarajan2, T Ramesh3
1Department of Electronics and Communication Engineering, St Joseph's College of Engineering, Chennai, India.
Journal of X-ray science and technology
|May 9, 2025
概括
一个新的基于多轴变压器的U-Net与类平衡组合 (MaxTU-CBE) 改进了胸部X射线分类. 这种先进的模型提高了肺部疾病的诊断准确性,超过了现有的方法.
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:
- 胸部X射线对于诊断肺部疾病至关重要,因为它的灵敏度很高.
- 传统的卷积神经网络 (CNN) 在分类任务中面临着局部化偏差的局限性.
研究的目的:
- 引入基于多轴变压器的U-Net与类平衡组合 (MaxTU-CBE) 的新型多轴变压器,以加强胸部X射线的多标签分类.
- 为了解决传统的CNN模型中固有的本地化偏见.
主要方法:
- 将分层的多轴变压器集成到U-Net架构的编码器和解码器中.
- 使用上下文融合引擎 (CFE) 以自我注意为多级特征相互依赖.
- 采用深度CNN与集体学习来管理阶级不平衡.
主要成果:
- 马克斯TU-CBE模型证明了肺部图像的改进的语义细分.
- 语境融合引擎 (CFE) 有效地捕捉到跨尺度的全球特征相互依赖.
- 合体学习方法减轻了与不平衡的课堂学习相关的挑战.
结论:
- 拟议的MaxTU-CBE在多标签分类准确度方面显著超过BiDLSTM分类器1.42%和CBIR-CSNN技术5.2%.
- MaxTU-CBE代表了人工智能驱动的胸部X射线分析的重大进步,以提高诊断性能.
