基于Vision Transformer的小儿肺炎辅助诊断
为改善基层医疗机构儿童肺炎诊疗水平,提高基层医生分析临床医学影像的效率和质量,提出了一种基于Vision Transformer(ViT)的小儿肺炎辅助诊断模型.首先利用ResUNet对儿童胸片进行肺区域分割,将左右肺区域从胸片中分割出来以降低其他组织对肺炎诊断的干扰.然后,将分割后的图像输入改进的混合ViT模型进行诊断,该模型使用传统卷积神经网络的特征映射作为Transformer的输入,并在卷积神经网络中引入自注意力机制,增强卷积以加强其获取全局相关性的能力.最后,对卷积神经网络的骨干网络和Transformer模型进行端到端的训练,使模型能够达到良好的图像分类结果.在Chest X-Ray Images肺炎标准数据集上进行了实验,实验结果表明,所提模型的肺炎识别准确率、精确率和召回率分别达到97.27%、97.69%和98.60%.即该模型具有较好的可行性,可使基层儿童肺炎的临床诊断准确率得到很大提升.
图像处理、图像分类、儿科肺炎、残差网络、自注意力机制、Transformer
60
R445(诊断学)
山东省研究生教育质量提升计划课题SDYJG1943
2023-07-26(万方平台首次上网日期,不代表论文的发表时间)
共8页
183-190