BreasTransNeXt:一个增强的多模块视觉变压器用于早期诊断乳腺癌
Hakan Acikgoz1, Alper Aytekin2, Sevgi Gezici3
1Department of Software Engineering, Faculty of Engineering, Architecture and Design, Kahramanmaras Istiklal University, Kahramanmaras, 46050, Turkey. hakan.acikgoz@istiklal.edu.tr.
Journal of imaging informatics in medicine
|February 19, 2026
概括
一个新的深度学习模型,BreasTransNeXt,通过结合卷积和变压器架构来改善早期乳腺癌 (BC) 检测. 这种先进的框架增强了特征提取和模型概括,以获得更准确的BC分类.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 乳腺癌 (BC) 是全球女性癌症死亡的主要原因,早期诊断对于改善治疗结果至关重要.
- 现有的BC分类的深度学习模型往往缺乏全面的特征提取和平衡学习,阻碍了诊断准确性.
- 需要先进的AI框架,可以有效地整合多尺度特征表示,并解决BC数据集中的类不平衡.
研究的目的:
- 推出BreasTransNeXt,这是一种新的混合深度学习框架,旨在进行强大而准确的乳腺癌分类.
- 通过协同利用卷积和变压器架构来增强特征表示,以便对BC图像进行多尺度分析.
- 通过使用先进的数据增强技术,解决BC数据集中类不平衡的挑战.
主要方法:
- 开发了BreasTransNeXt,这是一个混合深度学习模型,将ConvFormer的卷积感应偏差与变压器的全球注意力机制相结合.
- 雇佣了Wasserstein生成对抗网络,对数据增强有梯度惩罚,生成高保真合成图像以平衡恶性和健康类别.
- 整合了混合注意力机制 (局部,通道,具有自适应门的全球分支),以捕捉细粒度病变特征和远程依赖.
主要成果:
- 与传统的卷积神经网络 (CNN) 和视觉转换器 (ViT) 模型相比,BreasTransNeXt实现了更高的性能.
- 该模型在乳腺癌分类方面表现出高精度 (0.9710),回忆 (0.9808),精度 (0.9808) 和F1得分 (0.9808).
- 实验结果验证了混合架构和注意力机制在增强特征表示和模型概括方面的有效性.
结论:
- BreasTransNeXt在乳腺癌检测的深度学习中取得了重大进展,提供了强大的多尺度特征表示和有效的类失衡缓解.
- 拟议的框架显示了作为早期和准确的乳腺癌诊断的可靠工具的强大潜力,改进了现有的AI方法.
- 进一步的研究可以探索BreasTransNeXt的临床整合,以帮助放射科医生,并改善乳腺癌查患者的结果.
