招聘诊断人员:一个双流医学图像诊断框架,基于多层分辨率的自适应传感
Si-Chao Zhao1, Jun-Jun Chen2, Shi-Long Shi1
1Guangdong Pharmaceutical University, 280 Waihuan East Road, University Town, Guangzhou, Guangdong, Guangzhou, 510006, CHINA.
Biomedical physics & engineering express
|December 11, 2025
概括
Hires-Diagnoser是一个双流医学图像诊断框架,通过整合卷积神经网络和变压器来提高性能. 这种方法改善了对本地和全球特征的检测,以准确地解释病理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 传统的卷积神经网络 (CNN) 由于固定的受体场,与全球背景作斗争.
- 变压器擅长长远程依赖,但在检测小病变方面存在局限性.
- 整合多尺度特征和空间背景对于先进的医学图像诊断至关重要.
研究的目的:
- 推出Hires-Diagnoser,这是一个新的双流医疗图像诊断框架.
- 解决现有模型在多个分辨率上捕捉本地和全球特征方面的局限性.
- 提高AI在医学图像分析中的准确性和适应性.
主要方法:
- 一个双流架构,结合了ConvNeXt (本地纹理特征) 和Swin-Transformer (全球上下文) 分支.
- 实现一个交叉模式关联 (LCA) 模块,用于跨分辨率的动态特征融合.
- 在各种医学成像数据集上进行验证:RaabinWBC,脑瘤MRI,LC25000和OCT-C8.
主要成果:
- 实现了高的诊断准确率: 99.45% (RaabinWBC),98.01% (脑瘤MRI),100% (LC25000) 和97.58% (OCT-C8). 通过这些方法,我们可以实现高的诊断准确率.
- 与现有最先进的方法相比,表现出优越的性能.
- 展示了当地纹理和全球上下文信息的有效整合.
结论:
- Hires-Diagnoser为医疗图像诊断提供了一个强大而可适应的解决方案.
- 该框架的跨模式特征交互机制增强了病理学解释能力.
- 在各种医学成像场景中具有显著的临床应用潜力.
