相关实验视频
Updated: Jan 17, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
735
HEMF:一个适应性层次增强的多注意力特征融合框架,用于跨度医疗图像分类
Jingdong He1, Qiang Shi1, Jun Ma1
1School of Cyber Science and Engineering, Southeast University, Nanjing, Jiangsu, China.
PeerJ. Computer science
|September 24, 2025
概括
一个新的框架,分层增强多重注意力特征 (HEMF),通过有效地融合本地和全球特征来改善医疗图像分类. 这种方法在多个数据集上以最小的参数实现了最先进的性能.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 医学图像分类对于诊断至关重要,但由于类似的跨类特征和复杂的模式而面临挑战.
- 像卷积神经网络 (CNN) 这样的传统方法在局部特征上表现出色,但错过了全球上下文,而视觉转换器 (ViT) 捕捉了全球依赖性,但可以破坏局部细节.
研究的目的:
- 提出一个自适应的等级增强的多注意力特征融合框架 (HEMF),用于医疗图像中的多尺度本地和全球特征的协同提取和融合.
- 克服医疗图像分析中现有的CNN和ViT的局限性.
主要方法:
- 拟议的HEMF框架采用增强的本地和全球特征提取模块并行运行.
- 它结合了一种新的混合注意力 (MA) 机制和一个挤压倒置残余多层感知器 (SIRMLP) 块,用于层次特征融合.
- 该框架旨在有效地融合多尺度特征,以提高分类准确性.
主要成果:
- 在ISIC2018,Kvasir和COVID-19 CT数据集上,HEMF取得了最先进的表现.
- 具体来说,它在ISIC2018上达到87.34%的准确率和78.89%的F1分数,在Kvasir上达到87.03%的准确率和87.02%的F1分数,在COVID-19 CT上达到82.26%的准确率和82.20%的F1分数.
- 与先进模型相比,该模型在几乎最小的模型参数下表现出高性能.
结论:
- HEMF有效地融合了多个规模的本地和全球特征,超过了医疗图像分类中的现有方法.
- 该框架为提高临床环境中的诊断准确性提供了一个有希望的解决方案.
- 该代码的开源可用性有助于进一步的研究和应用.