AΚtransU-Net:装有变压器的U-Net模型,用于在临床摄影中改进行动性角质病的检测
Panagiotis Derekas1, Charalampos Theodoridis2, Aristidis Likas2
1Department of Medical Physics, Faculty of Medicine, School of Health Sciences, University of Ioannina, 45110 Ioannina, Greece.
Diagnostics (Basel, Switzerland)
|July 29, 2025
概括
一个新的AI模型,AKTransU-net,通过将本地和全球图像特征结合起来,改善了行动性角质炎 (AK) 的监测. 这一进步提高了临床摄影中皮肤场癌症的检测.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 临床摄影中的人工智能 (AI) 显示出对监测皮肤状况的承诺,如行动性角质炎 (AK) 和皮肤场癌症.
- 精确的AK损伤识别需要分析形态和上下文线索,例如周围的光损伤,需要具有本地和全球特征处理能力的模型.
研究的目的:
- 推出AKTransU-net,一种新的混合U-net架构,旨在增强AK病变检测.
- 通过确保跨边界的连续性,通过基于的处理提高全图像AK检测的准确性和可靠性.
主要方法:
- 开发了AKTransU-net,集成了用于功能丰富的变压器块和ConvLSTM模块在跳过连接中的语义和空间连贯性.
- 使用了来自115名AK患者的569张临床照片的专有数据集进行培训和评估.
- 采用基于的处理和512 × 512像素的作物,以捕捉不同的损伤位置和背景.
主要成果:
- 与最先进的细分模型相比,AKTransU-net表现出更高的背景意识.
- 获得了65.13%的Dice中位数,这表明在整体图像AK损伤细分方面取得了显著进展.
- 对比评估证实了该模型在现实世界临床场景中的有效性.
结论:
- 变压器驱动的上下文建模是强大的AK损伤监测的可行方法.
- AKTransU-net的背景分析支持其在临床环境中管理皮肤领域癌症的应用.
- 该模型的性能突显了人工智能在改善皮肤病诊断方面的潜力.
