基于生成对抗网络和与视觉转换器模型集成的深度学习的增强前列腺癌分类
Wessam M Salama1, Moustafa H Aly2
1Department of Computer Engineering, Faculty of Engineering, Pharos University in Alexandria, Canal El Mahmoudia Street, Beside Green Plaza Complex 21648, Alexandria, Egypt.
Scientific reports
|December 24, 2025
概括
本研究介绍了一种使用混合生成对抗网络 (GAN) 和支持矢量机器 (SVM) 的安全,无盖图像隐形图像方法. ViT-GAN-SVM模型提高了医学成像,特别是前列腺癌检测的安全性和诊断准确性.
科学领域:
- 计算机科学 计算机科学
- 医疗成像医学成像
- 网络安全 网络安全
背景情况:
- 隐藏摄影技术通常需要改变源图像,增加对检测的脆弱性.
- 现有的方法难以平衡隐形图像安全性与图像质量和诊断实用性.
- 扩散加权成像 (DWI) 为安全的数据嵌入带来了独特的挑战.
研究的目的:
- 开发一种安全的,无盖图像隐形图像技术,可以抵抗隐形分析.
- 提高医学成像诊断的准确性,特别是使用DWI检测前列腺癌.
- 评估一种新的混合生成对抗网络 (GAN) 和支持矢量机器 (SVM) 模型.
主要方法:
- 采用了与支持矢量机器 (SVM) 集成的混合生成对抗网络 (GAN).
- 使用深度学习模型 (DLM) 进行特征提取,包括EfficientNet-B4,DenseNet121和剩余网络-18 (ResNet-18),结合视觉变压器 (ViT).
- 该模型在扩散权重成像 (DWI) 数据集上进行了训练和验证,用于前列腺癌识别.
主要成果:
- ViT-GAN-SVM模型实现了优越的石版图质量,峰值信号噪声比 (PSNR) 为45.87dB,结构相似度指数 (SSIM) 为0.98.
- 诊断准确度指标非常高:准确率为99.78%,灵敏度为99.85%,精度为98.99%,F1-Score为99.85%.
- 与其他模型相比,诊断指标的性能改善在5.55%至6.36%之间.
结论:
- ViT-GAN-SVM模型提供了一个安全有效的无盖图像隐形图像解决方案.
- 该模型显示了在医疗任务中提高诊断准确性的巨大潜力,特别是在DWI上检测前列腺癌.
- 这种方法为嵌入信息提供了一个强大的方法,同时保持图像完整性并增强对steganalysis的安全性.
