SAAM-VetNet:一个基于注意力的多任务框架,用于动物疾病检测和严重程度分级
Ishana Attri1, Brij Vanita2, Rajesh Rajput2
1School of Computer Science and Engineering, Galgotias University, Uttar Pradesh, India.
Annals of medicine and surgery (2012)
|November 3, 2025
概括
我们开发了SAAM-VetNet,这是一个深度学习框架,用于从医学图像中检测动物疾病及其严重程度. 这种新的方法提高了兽医和临床前研究的诊断准确性.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 动物疾病的早期检测对于动物福利和研究至关重要.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 引入SAAM-VetNet,这是一个新的深度学习框架,用于同时检测和分级动物疾病的严重程度.
- 在兽医和临床前环境中提高诊断准确性和可解释性.
主要方法:
- 开发了一个严重性意识的基于注意力的多任务 (SAAM-VetNet) 深度学习框架.
- 集成了一个卷积块注意力模块和一个多分支学习策略.
- 在两个公共数据集上评估模型:动物疾病分类和乳腺炎疾病检测.
主要成果:
- SAAM-VetNet实现了91.2%的准确性和89.8%的F1得分.
- 超越了像ResNet18,MobileNetV2,EfficientNet-B0,DenseNet121和Vision Transformer (ViT) 这样的既有模型的性能.
- 在模型解释性和诊断准确性方面显著提高.
结论:
- 注意力机制和严重性意识的多任务学习提高了诊断性能.
- SAAM-VetNet为自动兽医诊断和临床前模型选择提供了一个强大的工具.
