一个多维的变压器-CNN网络训练不完整的超声波射频数据的血液红细胞聚合分类分类
Jinsong Guo1, Yufeng Zhang2, Bingbing He2
1Department of Electronic Engineering, Information School, Yunnan University, Kunming, 650091, Yunnan Province, China. guojinsong155@my.swjtu.edu.cn.
Physical and engineering sciences in medicine
|December 23, 2025
概括
一种新的多维变压器-CNN模型使用不完整的超声波数据准确监测红细胞 (RBC) 聚合. 这种方法提高了疾病的检测,并证明了强大的概括能力,用于非侵入性监测.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 红细胞聚合监测对于诊断心血管疾病和糖尿病等疾病至关重要.
- 超声波是观察红细胞行为的关键非侵入性技术.
- 来自仪器仪表和人为错误的数据异常阻碍了深度学习模型的性能.
研究的目的:
- 开发一个强大的深度学习模型,用于使用不完整的超声波数据进行RBC聚合评估.
- 为了提高模型的准确性和概括能力,尽管数据异常.
- 介绍一个新的多维变压器-CNN (MTCN) 模型.
主要方法:
- 提出了一个多维变压器-CNN (MTCN) 模型,在20%的随机掩盖数据上进行训练.
- 关键组件包括一个面具头模块,多维变压器编码器和自适应融合模块.
- 使用高斯错误线性单位 (GELU) 激活功能来保存信号信息.
主要成果:
- 在RBC聚合数据集上,MTCN模型实现了高性能.
- 获得了96.89%的精度和96.92%的F1得分.
- 与现有模型相比,表现出优越的性能.
结论:
- 该MTCN模型显示了稳健性和强大的泛化能力.
- 它为准确的,非侵入性的红细胞聚合监测提供了一个有希望的方法.
- 这种方法可以帮助早期检测各种红细胞相关疾病.
