大型模型驱动的多颗粒度医学图像分析:一个模糊的逻辑引导的框架

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能
• 图像分析 图像分析

背景情况:

• 医学图像分析需要先进的计算方法来解决病理结构中的复杂性和不确定性.
• 现有的基于变压器的方法在有效地捕捉多个尺度的病理特征方面面临挑战.

研究的目的:

• 开发一个大型模型驱动的框架,ULVM-MG,集成模糊逻辑和变压器用于多颗粒度医疗图像分析.
• 通过处理粗,中,细等级的病理图像来提高诊断准确度.

主要方法:

• ULVM-MG框架使用多颗粒度特征提取策略.
• 使用模糊引导的交叉注意力机制,专注于具有诊断意义的区域,同时保留上下文信息.
• 该方法将模糊逻辑原则与变压器架构相结合.

主要成果:

• 与最先进的变压器方法相比,ULVM-MG在组织病理学数据集 (LC25000和NCT) 上取得了更高的性能.
• 准确率为98.76% (LC25000) 和97.34% (NCT),分别超过了基线的1.61%和2.17%.
• 该框架在区分类似组织类型和分类良性与恶性病例方面表现出特别强大的优势.

结论:

• 拟议的ULVM-MG框架通过多颗粒度处理和模糊不确定性建模有效地增强了医疗图像分析.
• 模糊逻辑和变压器的集成为病理图像的准确性和诊断能力提供了显著的改进.
• ULVM-MG代表了计算病理学的重大进步,为图像解释提供了更有系统,更准确的方法.