通过基于深度变压器的新型神经网络提高淋巴瘤检测的精度
1Department of Electrical Engineering, College of Engineering, University of Hafr Al Batin, Hafr Al Batin, Saudi Arabia.
PloS one
|August 13, 2025
概括
本研究介绍了一种使用Swin变压器在PET扫描中检测淋巴瘤的自动预细分模型 (APSM). 该模型提高了细分的准确性和精度,提高了诊断效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 淋巴瘤呈现为淋巴结胀和免疫缺陷,经常导致疲劳和体重减轻.
- 用计算机辅助分析的正子发射断层扫描 (PET) 扫描有助于识别新陈代谢变化,以改善淋巴瘤诊断.
- 在PET图像中精确细分受影响区域对于有效的治疗计划至关重要.
研究的目的:
- 开发一个自动预细分模型 (APSM) 用于在PET图像中精确识别淋巴瘤.
- 利用Swin变压器 (ST) 架构来提高细分精度和效率.
- 改进计算机辅助分析的代谢变化,表明淋巴瘤.
主要方法:
- 使用Swin变压器 (ST) 实现自动预分段模型 (APSM).
- 同时训练Swin变压器进行分类和识别,重点是淋巴结区域.
- 该模型识别了与代谢变化相关的像素差异,以准确地分离组织和淋巴结.
主要成果:
- 通过APSM实现了12.68%的细分精度提高和13.38%的精度提高.
- 开销,错误和细分时间分别减少了12.73%,9.27%和10.23%.
- 与现有的细分方法相比,该模型表现出了优越的性能.
结论:
- 拟议的APSM通过分析像素和特征变化,有效地对淋巴瘤区域进行细分.
- 基于Swin变压器的模型在淋巴瘤检测的准确性和效率方面取得了重大进展.
- 这种方法有望通过增强的诊断能力来改善患者的治疗结果.
