基于转移窗视觉变压器的皮肤癌分类通过转移学习
Jian Lian1, Lina Han2, Xiaomei Wang2
1School of Intelligence Engineering, Shandong Management University, Jinan, Shandong, China.
Clinics (Sao Paulo, Brazil)
|September 7, 2025
概括
一个新的视力转换器模型有效地使用注意力机制和转移学习对皮肤癌进行分类. 这种方法在早期皮肤病变识别方面表现优异,有助于临床决策.
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:
- 皮肤癌是一个全球性的健康威胁,早期检测对于有效治疗和预防转移至关重要.
- 有限和不平衡的数据集对训练准确的皮肤癌检测模型构成挑战.
- 现有的深度学习模型,特别是卷积神经网络 (CNN),由于其局部重点,难以捕捉全球图像关系.
研究的目的:
- 通过视觉变压器引入一种创新的深度学习方法来对皮肤癌症进行分类.
- 为了解决CNN在捕获全球图像特征以进行皮肤病变分析方面的局限性.
- 提高皮肤癌自动识别系统的准确性和可靠性.
主要方法:
- 开发一种基于视力转换器的新型模型,用于皮肤癌症的分类.
- 利用视觉转换器固有的注意力机制,在皮肤图像中捕捉远程依赖.
- 采用转移学习技术来优化模型参数和提高性能.
主要成果:
- 拟议的视力变压器模型在实验评估中显示出与传统方法相比更高的性能.
- 该架构有效地捕捉了全球图像关系,克服了CNN的一个关键限制.
- 结果表明该模型在皮肤癌分类中的有效性.
结论:
- 开发的视力转换器方法对皮肤癌的识别有显著的前景.
- 这种方法提供了一个潜在的有价值的工具,以帮助临床医生在皮肤病变的早期和准确诊断.
- 这些发现突显了视觉转换器在瘤学医学图像分析中的潜力.
