换一批摘要当前,造血系统疾病的诊治面临着诸多挑战,其中对骨髓细胞形态与数量的精确分析是实现准确诊断的关键环节.传统的检查手段主要依赖于人工操作,效率和精度受到制约,难以满足现代医疗诊断的严苛要求.针对骨髓细胞图像分类的挑战,本研究利用深度学习技术,优选了 Vision Transformer(ViT)作为基础模型,对其分类进行深入研究.为进一步优化模型的分类性能,创新设计了一个基于卷积的Input Embedding模块.该模块巧妙地结合了卷积神经网络的优势和注意力机制的长处,从而更有效地捕捉和编码骨髓细胞图像中的关键特征.通过融合Input Embedding模块,改进后的模型(Rc-ViT)在处理各种骨髓细胞图像时展现出了更高的精确性.实验结果表明,与原ViT模型相比,Rc-ViT的准确率提升了 0.024 9,性能显著增强.特别是在处理数据量较少的细胞类别时,精确率和召回率分别提升了 0.036 0和0.150 0,不仅验证了该方法在增强模型对少数类别细胞识别上的有效性,而且减少了数据量不足对特征学习的影响.此外,该模型在细胞分类的准确性和一致性方面也取得了显著进步,为医疗诊断的可靠性和重复性提供了有力支持.
更多相关知识
关键词
深度学习骨髓细胞图像Vision Transformer模型注意力机制Deep learningBone marrow cell imagesVision Transformer modelAttention mechanism
栏目名称
DOI
10.13417/j.gab.043.001872
发布时间
2025-01-11（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览11
- 被引2
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
