一个新的网络层面的融合自我注意深度神经网络用于宫癌分类从宫图像的宫图像
Muhammad Attique Khan1, Fatima Rauf1, Muhammad John Abbas1
1Center of Artificial Intelligence, College of Computer Engineering and Science, Prince Mohammad Bin Fahd University, Al Khobar, Saudi Arabia.
Technology in cancer research & treatment
|February 28, 2026
概括
一个新的计算机辅助诊断系统使用深度学习精确地从宫图像中分类宫癌. 这种自动化方法有望改善资源有限的环境中的早期检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 宫癌是全球妇女死亡的主要原因,特别是在发展中国家,由于查和专业知识有限.
- 宫图像对于诊断至关重要,但由于高 intra-class 变异性而存在挑战.
- 需要自动诊断工具来提高准确性和可访问性.
研究的目的:
- 开发一个完全自动化的计算机辅助诊断 (CAD) 系统,使用宫图像进行宫癌分类.
- 为了引入新的深度学习架构,11-平行倒置剩余瓶块 (11-PIRBnet) 和9-平行倒置剩余块与自我注意机制 (9-PIRSANet).
- 将这些模块合并到一个新的网络中,即375NFNet,以进行增强的特征提取和分类.
主要方法:
- 用数据增强来解决数据集不平衡的问题.
- 开发和训练了 375NFNet 架构,集成了 11-PIRBnet 和 9-PIRSANet.
- 使用贝叶斯优化 (BO) 来优化超参数,并使用浅层神经网络 (SNN) 来分类特征.
主要成果:
- 拟议的375NFNet在公开的宫图数据集上实现了95.5%的准确性,95.4%的精度和0.97的AUC.
- 与现有的预训练技术相比,在准确性和精度方面观察到显著的改进.
- 该模型以减少可训练参数的数量证明了效率.
结论:
- 375NFNet架构提供了一种高度准确和高效的方法,用于从宫图像中分类宫癌.
- 这种自动化CAD系统有可能成为用于宫癌查的宝贵工具,特别是在资源有限的环境中.
- 这项研究强调了深度学习在克服图像变化所带来的诊断挑战方面的有效性.