以信任为导向的适应性扩散网络用于医学图像分类
Yang Yan1, Zhuo Xie1, Wenbo Huang1
1School of Computer Science and Technology, Changchun Normal University, Changchun 130032, China.
Journal of imaging
|February 26, 2026
概括
这项研究引入了一个以信任为导向的自适应扩散网络 (CGAD-Net),以改进医疗图像分类. 这种新的方法通过在扩散过程中通过自适应性调整噪声来增强特征表示和模型稳定性.
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
- 计算机视觉 计算机视觉
背景情况:
- 医学图像分类对于疾病查和检测等临床应用至关重要.
- 由于强大的表示学习,扩散模型对医学图像分类有希望.
- 现有的方法难以处理多层次信息,上下文依赖性和统一的噪音注入,从而限制了性能.
研究的目的:
- 为了解决目前基于扩散的医疗图像分类的局限性.
- 提出一个新的网络,CGAD-Net,以提高分类准确性和稳定性.
- 通过捕获多尺度语义和上下文信息来改善特征表示.
主要方法:
- 引入了一种混合先前建模框架,包含层次金字塔上下文建模 (HPCM) 和内部扩展卷积精细化 (IDCR) 模块.
- 开发了一种以信心为导向的自适应噪声注入 (CG-ANI) 策略,以根据样本信心动态调整噪声.
- 实施了CGAD-Net用于医学图像分类,重点是稳定培训和强大的表示学习.
主要成果:
- 在HAM10000,APTOS2019和Chaoyang等基准上,CGAD-Net实现了竞争性的分类准确性,稳定性和培训稳定性.
- 在HPCM和IDCR模块有效地捕获细粒度结构细节和总体语义信息.
- 对于模两可的样本,CG-ANI成功地稳定了培训,并增强了代表性学习.
结论:
- CGAD-Net展示了用于2D医学图像分类的信任导向扩散建模的有效性.
- 提出的方法在区分能力和概括能力方面提供了显著的改进.
- 这项工作为推进医学图像分析中的扩散模型提供了宝贵的见解.
