一个自适应生成的3D VNet模型,用于使用深度学习和增强图像融合进行增强的水病损伤分类
Shivani Joshi1, Rajiv Kumar2, Avinash Dwivedi2
1School of Computer Science & Engineering, Galgotias University, Greater Noida, India. shivani1275@gmail.com.
Journal of imaging informatics in medicine
|July 14, 2025
概括
一个新的自适应生成3D VNet模型有效地使用增强数据检测麻疹病变. 这种深度学习方法显著提高了分类准确性,这对于及时诊断和治疗规划至关重要.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 病发病率正在上升,需要准确的诊断工具来有效治疗.
- 有限的标记数据对开发强大的疾病检测模型构成重大挑战.
研究的目的:
- 使用深度学习设计和评估一种有效的水检测和分类模型.
- 通过生成合成增强图像来应对有限的标记数据的挑战.
主要方法:
- 一个新的自适应生成3D VNet模型,集成数据增强,深度学习和自适应融合.
- 使用自适应生成网络进行数据增强 (裁剪,旋转,翻转) 以增加数据集多样性.
- 采用3D VNet进行体积图像处理以捕捉空间损伤关系和适应性融合层以结合预测.
主要成果:
- 与传统的2D模型相比,自适应生成的3D VNet模型表现出更高的性能.
- 在Monkeypox皮肤损伤数据集上实现了高分类准确度 (98.8%) 和精度 (98.5%).
- 显著提高了分类的稳定性,特别是在有限的标记数据下.
结论:
- 拟议的自适应生成3D VNet模型为麻疹病变分类提供了强大而准确的解决方案.
- 通过合成数据生成和自适应融合,有效地缓解有限的数据挑战.
- 该模型显示,它有望在临床环境中增强水病的诊断能力.
