MDF2前:多尺度双域特征融合变压器用于在小鼠伤口中的细菌的高光谱图像分类
Decheng Wu1, Wendan Liu1, Rui Li1
1School of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
Journal of imaging
|February 26, 2026
概括
超光谱成像与新型深度学习模型相结合,可以准确识别伤口细菌. 这项技术提供了一种更快,更精确的方法来诊断感染,并指导个性化治疗策略.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 微生物学 微生物学
背景情况:
- 细菌性伤口感染是一个重大的临床挑战,可能导致败血症和器官衰竭.
- 目前的病原体识别方法往往复杂且耗时,阻碍了及时治疗.
- 快速而准确的细菌鉴定对于有效的伤口感染管理至关重要.
研究的目的:
- 开发用于细菌分析的高光谱成像 (HSI) 系统.
- 创建一个深度学习模型,MDF2Former,使用HSI数据对伤口细菌进行分类.
- 评估开发的系统和模型在识别细菌物种方面的表现.
主要方法:
- 为细菌分析量身定制的高光谱成像 (HSI) 采集系统的开发.
- 实现一个多尺度双域特征融合变压器 (MDF2Former) 模型.
- MDF2Former结合了多尺度的特征融合,空间光谱注意力和层次编码,以实现高效的特征学习.
主要成果:
- 该MDF2Former模型在自建的伤口细菌HSI数据集上实现了高性能指标.
- 关键绩效指标包括准确性 (91.94%),精度 (92.26%),回忆力 (91.94%),F1得分 (92.01%) 和卡帕系数 (90.73%).
- 该模型在细菌分类方面显著优于现有的比较方法.
结论:
- 将HSI与深度学习结合起来,特别是MDF2Former,对于伤口感染中的细菌识别是有效的.
- 这种方法显示出有助于细菌物种识别和为个性化治疗决策提供信息的潜力.
- 开发的基于HSI的系统为临床伤口护理和感染管理提供了有希望的进步.
