使用空间疾病特征凝聚和科尔莫戈罗夫-阿诺德层进行多标签医学诊断
Lang Yuan1, Yingyu Chen2, Ziyuan Yang2
1Sichuan University, Chuanda road, Chengdu, Sichuan, 610207, China.
Physics in medicine and biology
|March 6, 2026
概括
这项研究引入了医疗图像多标签诊断 (MLD) 的新框架,通过保存空间疾病信息和使用先进的科尔莫戈罗夫-阿诺德层来提高准确性,以更好地建模疾病相互依赖性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 医疗图像的多标签诊断 (MLD) 非常重要,因为经常出现并发疾病.
- 现有的方法面临着特征混乱和有限的建模能力的挑战.
- 疾病局部信息的丢失是当前MLD方法的一个关键问题.
研究的目的:
- 提出一个新的MLD框架,解决特征混,增强预测建模.
- 提高自动化多标签医学图像诊断的准确性和可靠性.
- 为了提高诊断性能,利用空间信息和先进的神经网络架构.
主要方法:
- 整合一个空间疾病特征凝聚 (SDFC) 机制,以保持空间分辨率.
- 利用科尔摩戈罗夫-阿诺德层 (KALs) 增强特征表达力和建模复杂疾病相互依赖.
- 开发一种新的MLD框架,将SDFC和KAL结合起来,用于医学图像分析.
主要成果:
- 拟议的框架在ODIR和NIH胸部X射线数据集上始终优于最先进的MLD方法.
- 与现有方法相比,证明了卓越的诊断性能,概括性和可靠性.
- 成功保存空间疾病信息,导致更准确的诊断.
结论:
- 新的框架为多标签医学图像诊断提供了有效和强大的解决方案.
- 明确保存空间疾病信息和使用KALs可以提高诊断能力.
- 该方法对医学成像中的临床决策支持系统具有重大潜力.
