使用CRP-ViT对结直肠多的二进制和多类分类:CNN和QNN之间的比较研究
Jothiraj Selvaraj1, Fadhiyah Almutairi2, Shabnam M Aslam3
1Department of Biomedical Engineering, College of Engineering and Technology, SRM Institute of Science and Technology, Kattankulathur, Chengalpattu 603203, India.
Life (Basel, Switzerland)
|July 29, 2025
概括
一个新的混合型号CRP-ViT集成了ResNet50和视觉变压器,用于准确的结直肠多类别. 这种量子增强模型在保持计算效率的同时,显著提高了聚检测和分类准确性.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 量子计算应用 量子计算应用
背景情况:
- 结肠直肠癌 (CRC) 构成了全球健康的重大负担,其中聚体是关键的前体.
- 从结肠镜图像中准确分类结肠直肠多 (CRPs) 对于早期的CRC诊断和治疗至关重要.
研究的目的:
- 开发和评估一种新的混合模型,CRP-ViT,用于增强结直肠多类别.
- 为了比较CRP-ViT与传统CNN和新兴QNN的性能.
主要方法:
- 提出了一种混合CRP-ViT模型,将ResNet50和视觉变压器 (ViT) 结合起来进行特征提取.
- 进行了二进制和多类分类实验,以检测多和类型预测.
- 将CRP-ViT性能与CNN和QNN进行比较,重点关注准确性和计算效率.
主要成果:
- 该CRPQNN-ViT模型在二进制和多种分类任务中表现出优异的分类性能.
- 实现了高准确率:98.18% (列车) 和97.73% (验证) 的二元分类;98.13% (列车) 和97.92% (验证) 的多分类.
- CRPQNN-ViT表现出增强的计算效率,特别是在处理时间方面.
结论:
- 量子计算的整合显示出对推进医疗图像分析的前景.
- 基于变压器的架构,如ViTs,对于分类结直肠多瘤非常有效.
更多相关视频
06:46Competing-Risk Nomogram for Predicting Cancer-Specific Survival in Multiple Primary Colorectal Cancer Patients after Surgery
Published on: September 27, 2024
380
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
