HMCFormer (分层多尺度卷积变压器):一种混合CNN+变压器网络,用于智能VIA选
Bo Feng1,2, Chao Xu1,2, Zhengping Li1,2
1School of Integrated Ciruits, Anhui University, HeFei, Anhui, China.
PeerJ. Computer science
|September 24, 2025
概括
一个新的AI模型,分层多尺度卷积变压器 (HMCFormer),通过使用乙酸 (VIA) 的视觉检查,提高了宫癌查的准确性. 这项技术提供了一种更便宜,更快速的早期检测方法,特别有利于低收入人群.
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:
- 宫癌是全球女性癌症死亡的主要原因,特别是在发展中国家.
- 用酸视觉检查 (VIA) 是一种具有成本效益的选方法,但人工智能辅助诊断面临着准确性和设备成本的挑战.
- 现有的基于人工智能的VIA选方法往往缺乏足够的准确性或需要昂贵的补充设备.
研究的目的:
- 开发一种先进的AI模型,使用VIA进行准确和可访问的宫癌查.
- 解决当前人工智能辅助VIA查的局限性,重点是提高准确性和减少设备依赖.
- 通过智能且具有成本效益的查解决方案,增强早期检测子宫癌.
主要方法:
- 提出了分层多尺度卷积变压器 (HMCFormer) 网络,集成CNN用于分层特征提取和变压器用于全球依赖性建模.
- 为CNN分公司开发了一种基于空间的双色图像增强算法,以及用于自适应特征提取的层次式多尺度像素激发模块.
- 引入了自适应预处理和优劣融合概念,以改善变压器和CNN分支之间的协作,利用Swin变压器架构.
主要成果:
- 在新创建的PCC5000数据集上,HMCFormer实现了97.4%的高选准确度.
- 该模型在相同的数据集上显示了94.8%的分级精度.
- 拟议的功能融合模块显著提高了网络分支的协同性能.
结论:
- HMCFormer网络代表了人工智能辅助的宫癌VIA查的重大进展.
- 开发的模型为早期宫癌检测提供了一个有希望的,准确的,潜在的低成本解决方案,特别是在资源有限的环境中.
- 这种人工智能方法可以帮助增加弱势群体参与定期的宫癌查.
