使用GViT和swin变压器V2精确检测胸部疾病的双模型方法
Kamal Ahmad1, Hafeez Ur Rehman1,2, Babar Shah3
1Department of Computer Science, National University of Computing and Emerging Sciences, Hayatabad, Peshawar, 24720, Pakistan.
Scientific reports
|August 28, 2025
概括
这项研究引入了用于X射线检测胸部疾病的双AI模型. 门式视觉转换器 (GViT) 和Swin转换器V2在分类和定位COVID-19和肺癌等疾病方面具有很高的准确性.
科学领域:
- 医学成像
- 人工智能
- 放射学
背景情况:
- 精确检测和定位放射图像中的异常对于诊断和治疗计划至关重要.
- 由于X射线图像中的视觉模式重叠,放射科医生在识别和细分胸部疾病方面面临挑战.
- 大量的注释数据集对于开发可靠的诊断模型至关重要.
研究的目的:
- 提出一种双模型人工智能 (AI) 方法,用于X射线图像中精确分类和定位胸部疾病.
- 利用基于变压器的架构进行增强的医疗图像分析.
- 帮助放射科医生减少工作量并提高诊断准确性,特别是在资源有限的环境中.
主要方法:
- 开发了一种双模型方法,用于疾病分类的Gated Vision Transformers (GViT) 和用于细分和定位的Swin Transformer V2.
- 用GViT识别具有相似放射特征的胸部疾病.
- 使用Swin Transformer V2绘制肺部区域并确定图像中的受影响区域.
主要成果:
- 包括精度,回忆力和F1分数在内的分类指标超过了0.95.
- 该细分模型获得了高的交叉与欧盟 (IoU) 评分,达到90.98%.
- 使用子系数,边界F1得分和豪斯多夫距离的性能评估证实了系统的有效性.
结论:
- 基于变压器的架构显示出对医疗成像程序的重大前景.
- 拟议的人工智能解决方案可以帮助放射科医生提高诊断精度并减少心理工作量.
- 未来的人工智能工具应专注于全面和精确的胸部疾病检测,以支持临床决策.
