Spec-ViT:一种带有波纹的视觉转换器,用于医疗图像分类中的反伪造和否定

科学领域:

• 医学图像分析 医学图像分析
• 医疗保健中的人工智能
• 对于医学成像的深度学习

背景情况:

• 医学图像分析面临着成像模式限制的挑战,导致别名和噪音工件降低诊断准确度.
• 卷积神经网络 (CNN) 和视觉转换器 (ViT) 是有前途的,但由于采样和光谱偏差,它们可能会加剧高频扭曲,影响病变的特征.

研究的目的:

• 介绍Spec-ViT,一种基于波纹的新型反伪造变压器架构.
• 通过整合光谱净化和层次关注来解决医疗图像分析当前深度学习模型的局限性.

主要方法:

• 开发了波段反别名模块 (WAM),用于可学习的波段域平滑,以抑制高频器件,同时保留低频细节.
• 集成轻量增强注意力 (LEA) 具有双路径通道空间和全球多头自我注意力,用于改进损伤上下文建模.
• 采用光滑卷积门 (SCG),具有深度卷和自适应的Swish门,以提高当地可区分性.

主要成果:

• 在五个基准医学图像分类数据集中,Spec-ViT的表现始终优于基线和最先进的方法.
• 在小儿肺炎胸部X射线数据集上达到84.04%的最大准确度.
• 已证明有效的频率感知净化和全球-本地细心分析.

结论:

• Spec-ViT提供了一个强大的解决方案,通过减轻文物和改进特征表示来增强医疗图像分析.
• 拟议的架构显示出在各种医学成像应用中提高诊断准确性的巨大潜力.
• 集成与注意力机制的基于波纹的反化提供了一个强大的医疗图像分类方法.