ViT-DCNN:视觉变压器与可变形的CNN模型用于肺癌和结肠癌检测
Aditya Pal1, Hari Mohan Rai2, Joon Yoo2
1Department of Biological Environmental Science, College of Life Science and Biotechnology, Dongguk University, Seoul 04620, Republic of Korea.
Cancers
|September 27, 2025
概括
一个新的视觉变压器与可变形CNN (ViT-DCNN) 模型显著改善了肺癌和结肠癌的检测. 这种人工智能驱动的方法提高了医疗成像分析的诊断准确性和效率.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 深度学习用于癌症诊断
背景情况:
- 肺癌和结肠癌是全球主要的死亡原因,早期检测是一个重大挑战.
- 组织病理学图像对于准确的癌症诊断至关重要.
- 现有的诊断方法需要改进,以提高准确性和效率.
研究的目的:
- 开发和评估一种新的深度学习模型,以改进肺癌和结肠癌的检测和分类.
- 利用视觉转换器和可变形CNN的优势,在医学图像中增强特征提取.
- 将拟议模型的性能与现有的最先进模型进行比较.
主要方法:
- 利用肺癌和结肠癌病理学图像数据集,包括五个类别.
- 开发了可变形CNN (ViT-DCNN) 模型的视觉变换器,将自我注意力与可变形卷曲整合在一起.
- 培训和验证了培训 (80%),验证 (10%) 和测试 (10%) 的模型子集.
主要成果:
- 在测试组中,ViT-DCNN模型取得了高性能:准确率为94.24%,F1得分为94.23%,回忆率为94.24%,精度为94.37%.
- 与ResNet-152,EfficientNet-B7,SwinTransformer,DenseNet-201,ConvNext,TransUNet,CNN-LSTM,MobileNetV3和NASNet-A.A.相比,其表现出了更优异的性能,并且它还可以在其他网络中使用.
- 通过全面的评估,证实了该模型在检测癌症组织方面的稳定性.
结论:
- ViT-DCNN模型提供了一个有希望的AI驱动的解决方案,用于提高肺癌和结肠癌检测效率并减少诊断错误.
- 这种模型是放射科医生和临床医生的宝贵工具,有可能改变癌症诊断.
- 未来的研究将专注于扩大数据集和改善用于临床应用的模型解释性.
