.png){kind=icon}
返回
Multi-scale nested graph transformer with graph operations: Advancing high-resolution chest x-ray classification
.png){kind=icon}
PRE
AI
DOI：10.1002/mp.70003.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景 高分辨率胸部X光（CXR）图像的准确分类对于诊断肺炎等肺部疾病以及识别小病灶目标至关重要，这需要从多尺度解剖结构中精确提取特征。传统深度学习模型在平衡局部细节保留和全局上下文建模方面面临挑战，尤其是在标注数据有限且高分辨率输入计算成本高的情况下。
目的 本研究引入一种多尺度嵌套图Transformer（MNGT）来解决这些挑战，旨在提高高分辨率CXR图像的分类精度，同时提升计算效率以及在数据受限场景下的泛化能力。
方法 （1）多尺度嵌套架构：高分辨率CXR图像被分割为层级化的方块：首先划分为大块，然后进一步细分为更小的补丁。具有可变注意力范围的图Transformer处理这些补丁以捕获从局部到全局的特征，在保留小病灶（如结节轮廓）的精细细节的同时建模长距离依赖关系（如肺纹理模式）；（2）交叉注意力融合：高分辨率和降尺度低分辨率图像的特征通过基于交叉注意力的图Transformer进行融合，实现尺度间的语义交互并增强病灶的可区分性；（3）图池化提高效率：图池化将补丁聚集为语义区域，减少标记数量和计算复杂度（例如从2401到196个标记），同时保持结构完整性；（4）归纳偏置集成：通过引入图卷积和自适应感受野调整，模型缓解了小数据集上的过拟合，利用空间先验知识改善泛化性能。
结果 通过在三种类型的高分辨率CXR图像上的广泛实验，我们证明了本架构的优越性，在准确率和F1分数两方面均优于其他模型。此外，我们的消融研究强调了所设计架构的效率。包含比较模型的代码已在网站GitHub/MNGT上公开。
结论 MNGT为高分辨率CXR分类提供了一种高效且稳健的解决方案，结合局部细节保留、全局上下文建模和归纳偏置，在准确率和泛化能力上表现出色。该框架解决了高分辨率医学成像的计算瓶颈，并为计算机辅助诊断的临床部署提供了可行的途径。
Keyword:
chest X-ray
cross-attention
graph Transformer
high-resolution imaging
image classification
期刊
IF:
3.2
论文数:
3.7W
被引数:
3.2W
机构
引用论文
Variability in the interpretation of chest radiographs for the diagnosis of pneumonia in children
OAAI
OAAI分享收藏
分享收藏分享收藏HiFuse: Hierarchical multi-scale feature fusion network for medical image classificationHiFuse: 用于医学图像分类的分层多尺度特征融合网络OAAI
OAAI分享收藏分享收藏分享收藏The Effects of Changes in Utilization and Technological Advancements Of Cross-Sectional Imaging on Radiologist Workload横断面成像的利用和技术进步的变化对放射科医生工作量的影响.png)
ACADEMIC RADIOLOGY
ACADEMIC RADIOLOGYIF3.9
PREAI
分享收藏
查看更多内容