一个混合卷积神经网络-长期短期记忆 (CNN-LSTM) -注意力模型架构,用于精确的医学图像分析和疾病诊断
Md Tanvir Hayat1, Yazan M Allawi2, Wasan Alamro3
1Innovative Skills Ltd., Dhaka 1207, Bangladesh.
Diagnostics (Basel, Switzerland)
|November 13, 2025
概括
MediVision是一个新的深度学习模型,它结合了卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 与注意力,在分类各种医疗图像方面达到95%以上的准确性,以改善疾病诊断.
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:
- 深度学习 (DL) 模型,特别是卷积神经网络 (CNN),对于准确的医学图像分类日益至关重要.
- 现有的方法需要改进,以提高诊断速度和精度.
研究的目的:
- 推出MediVision,一种混合深度学习模型,旨在推进医学图像分类.
- 提高自动化疾病诊断的准确性和可解释性.
主要方法:
- MediVision集成了CNN骨干用于特征提取,长期短期内存 (LSTM) 用于连续依赖识别,以及用于突出特征聚焦的注意力机制.
- 使用跳过连接和Grad-CAM热图来增强特征表示和可视化关键图像区域.
主要成果:
- 在十个不同的医学图像数据集中,MediVision展示了超过95%的一致分类准确度.
- 该模型在分类诸如阿尔茨海默病,各种癌症和视网膜疾病等疾病方面达到98%的峰值准确度.
结论:
- MediVision为可靠和可解释的医疗图像分类提供了一个强大的框架.
- 该研究增强了自动疾病诊断,并通过开放访问代码和数据集支持研究可重复性.