相关实验视频
Updated: Sep 12, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
501
医学DGTN:具有自适应波纹融合的动态图形变压器,用于多标签医疗图像分类
Guanyu Zhang1, Yan Li2, Tingting Wang1
1School of Medical Information Engineering, Anhui University of Chinese Medicine, Hefei, China.
Frontiers in medicine
|August 8, 2025
概括
Med-DGTN 增强了医疗图像分析,同时诊断多种疾病. 这种动态图形转换器网络通过捕获疾病模式和微妙的生物标志物来提高诊断准确性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 当前的多标签分类方法在医学成像中与复杂的疾病并发症和微妙的病理细节作斗争.
- 对多种疾病的准确同时诊断对于全面的临床决策支持至关重要.
研究的目的:
- 引入Med-DGTN,一个新的动态图形变压器网络框架,旨在显著提高医学成像中的多标签分类性能.
- 解决捕捉疾病共发生和保存病理特征的局限性.
主要方法:
- Med-DGTN使用交叉模式对齐机制将视觉模式与基于图的语义依赖关系集成在一起.
- 波形变换增强密集块 (WTDense) 通过多频分解放大低频病理生物标志物.
- 适应性融合架构优化了跨空间和光谱领域的多规模特征层次结构.
主要成果:
- 在MuReD2022视网膜成像数据集上,Med-DGTN实现了70.65%的mAP,超过了先前的最先进技术水平2.68%.
- 在CastXray14数据集中,Med-DGTN的AUC值为0.841,在14个疾病类别中的5个中表现优于现有方法.
- 该框架在不同的医学成像模式中表现出卓越的性能.
结论:
- 动态疾病相关性和波形优化特征的联合建模显著提高了多标签诊断能力.
- Med-DGTN的可解释图形结构揭示了疾病相互作用模式,证明了用于多种疾病的精确诊断的临床可翻译性.
- 拟议的框架为临床成像分析中的复杂诊断挑战提供了一个有希望的方法.
