LCA-Med:一种轻量级的交叉模式适应性特征处理模块,用于检测不平衡的医疗图像分布.
Xiang Li1, Long Lan2, Husam Lahza3
1College of Computer Science and Technology, National University of Defense Technology, Changsha 410073, China; Department of Intelligent Data Science, College of Computer Science and Technology, National University of Defense Technology, Changsha 410073, China; Department of Information Technology, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah 21589, Saudi Arabia; Chinese Medicine Guangdong Laboratory, Hengqin 519031, Guangdong, China.
概括
这项研究引入了LCA-Med,这是一款用于跨模式医疗图像检测的轻量级模块,尽管数据分布存在差异,但其精度仍在提高. LCA-Med CNX方法在不平衡的数据集上表现出卓越的性能,推进了医疗图像分析.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 医疗图像数据集之间的数据分布差异阻碍了跨域自适应检测的准确性.
- 现有的方法在医学成像方法的异质性和数据不平衡方面扎.
研究的目的:
- 为医疗图像提出一种新的轻量级交叉模式自适应检测模块 (LCA-Med).
- 开发一种先进的跨模态医疗图像自适应检测方法 (LCA-Med CNX) 和一种新的培训范式.
- 提高医学图像检测的准确性和稳定性,特别是在数据不平衡的场景中.
主要方法:
- 开发了LCA-Med,这是一款轻量级的功能预处理器,通过文本提示引导从各种图像模式中提取病理信息.
- 推出了LCA-Med CNX,一种跨模式的医疗图像自适应检测方法.
- 提出了一种使用生成数据集组,注意模块和元启发算法的新型训练范式.
主要成果:
- 在六个医学图像数据集中的五个中,LCA-Med CNX实现了最先进的性能.
- 与十种现有方法相比,提出的方法表现优越,特别是在不平衡的数据集上.
- 轻量级的LCA-Med模块显示出有效的集成和特征提取能力.
结论:
- 拟议的LCA-Med CNX方法和培训范式显著改善了医学成像中的跨领域自适应检测.
- 这种方法有效地解决了数据分布差异和数据不平衡的挑战.
- 在多式联络医疗图像分析中,LCA-Med为特征提取提供了一种多功能且高效的解决方案.
