从CT图像中使用卷积特征提取和基于变压器的自我注意力来分类子宫癌
Eman Hussein Alshdaifat1, Amer Mahmoud Sindiani2, Salem Alhatamleh3
1Department of Obstetrics and Gynecology, Faculty of Medicine, Yarmouk University, Irbid, Jordan.
Frontiers in medicine
|March 13, 2026
概括
结合卷积神经网络和变压器的新混合深度学习模型显著改善了从CT扫描中检测子宫癌. 这种方法提高了准确性,帮助放射科医生在早期诊断和治疗规划.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 瘤学 诊断 诊断 瘤学
背景情况:
- 从CT图像中诊断子宫癌是具有挑战性的,因为复杂的解剖学和微妙的组织变异.
- 传统的方法和标准的深度学习模型都难以有效地捕捉本地和全球图像特征.
研究的目的:
- 开发和验证一种新的混合深度学习框架,用于从CT图像中改进子宫癌分类.
- 通过整合卷积和基于变压器的注意力机制,提高诊断模型的准确性和稳定性.
主要方法:
- 一个使用DenseNet121进行卷积特征提取的混合框架,以及一个具有全球背景多头自我注意力的变压器编码器.
- 该模型处理来自CT扫描的局部特征,以构建增强的全球表示.
- 在KAUH子宫癌CT数据集 (正常,良性,恶性) 上评估性能,并与VGG16,VGG19,MobileNetV2,ResNet50和DenseNet121进行比较.
主要成果:
- 拟议的混合模型的性能优于对比的最先进的深度学习模型.
- 实现了高性能指标:87.44%的准确度,87.13%的灵敏度,95.20%的特异性,87.17%的F1得分和99.41%的AUC.
- 在从CT扫描中分类子宫组织方面表现出卓越的能力.
结论:
- 将CNN与基于变压器的自我注意力相结合,可以显著提高CT图像的子宫癌分类准确度.
- 该模型显示出作为放射科医生在子宫癌检测中的计算机辅助决策支持工具的潜力.
- 该框架可以扩展到其他需要复杂图像分析的临床应用.
