Loading...
机构名称:
¥ 2.0

由于疾病的复杂性和有限的数据集大小,大脑MRI图像的阿尔茨海默氏病(AD)分类仍然是一个艰巨的任务。卷积神经网络(CNN)在使用MRI数据的脑部疾病分类方面表现出色,但它们与逮捕全球依赖性无能为力。此外,他们的结果不可解释,这是医疗领域的主要问题。变压器使用注意机制在各种视觉任务上都可以使用甚至超过CNN。本研究提出了一个新型的融合模型,该模型整合了Densenet-121和Vision Transformer的互补优势,以应对这些挑战。通过协同两种体系结构的优势,提出的融合模型提取了全面的图像特征。为了进一步优化特征歧视和计算效率,并入了基于外部分类器的特征选择技术。使用标准指标评估所提出的模型的性能,并与最先进的技术进行比较。结果表明,较高的分类精度为99%,融合模型有效地区分了各个AD阶段。此外,使用类激活图(CAM)可视化模型的决策过程,从而增强对模型预测的信任。我们还提供了Grad-CAM,Grad-CAM ++,Score-CAM和更快的得分摄像机可视化技术的视觉比较,以评估这些技术的性能,以突出显示AD分类的区分区域。

视觉变压器 - 模式方法的新型融合...

视觉变压器 - 模式方法的新型融合...PDF文件第1页

视觉变压器 - 模式方法的新型融合...PDF文件第2页

视觉变压器 - 模式方法的新型融合...PDF文件第3页

视觉变压器 - 模式方法的新型融合...PDF文件第4页

视觉变压器 - 模式方法的新型融合...PDF文件第5页