Conceitos essenciais
본 연구는 진화 알고리즘 기반의 향상된 EATFormer 모델을 제안하여 의료 영상 분류 성능을 크게 향상시켰다. EATFormer 모델은 합성곱 신경망과 비전 트랜스포머의 장점을 결합하여 데이터 패턴 식별 및 특성 적응 능력을 높였다.
Resumo
본 논문은 의료 영상 분류를 위한 향상된 EATFormer 모델을 제안한다. 이 모델은 진화 알고리즘에서 영감을 받아 다음과 같은 핵심 구성 요소를 포함한다:
- 다중 스케일 영역 집계(MSRA) 모듈: 다양한 수용 영역에서 정보를 집계하여 귀납적 편향을 제공한다.
- 글로벌 및 로컬 상호작용(GLI) 모듈: 글로벌 모델링 능력을 유지하면서 지역성을 향상시킨다.
- 변조 가능 변형 MSA(MD-MSA) 모듈: 불규칙한 위치에 대한 동적 모델링을 수행한다.
실험 결과, 제안된 EATFormer 모델은 Chest X-ray 및 Kvasir 데이터셋에서 기존 모델 대비 예측 속도와 정확도를 크게 향상시켰다. 이는 진화 알고리즘 기반 모듈이 비전 트랜스포머의 성능을 효과적으로 높일 수 있음을 보여준다. 이 접근법은 의사와 임상의가 조기, 정확, 효율적인 진단을 달성하는 데 도움이 될 것으로 기대된다.
Estatísticas
제안된 EATFormer 모델은 Chest X-ray 데이터셋에서 95.33%의 정확도를 달성하여 기존 최고 모델 대비 2.33% 향상되었다.
Kvasir 데이터셋에서 EATFormer 모델은 94.37%의 정확도를 달성하여 기존 최고 모델 대비 1.74% 향상되었다.
EATFormer 모델은 Chest X-ray 데이터셋에서 11.20 FPS의 예측 속도를 보여 기존 최고 모델 대비 0.29 FPS 향상되었다.
Kvasir 데이터셋에서 EATFormer 모델은 11.34 FPS의 예측 속도를 보여 기존 최고 모델 대비 4.47 FPS 향상되었다.
Citações
"제안된 EATFormer 아키텍처는 합성곱 신경망과 비전 트랜스포머의 강점을 결합하여 데이터 패턴 식별 및 특성 적응 능력을 높였다."
"실험 결과, EATFormer 모델은 Chest X-ray 및 Kvasir 데이터셋에서 기존 모델 대비 예측 속도와 정확도를 크게 향상시켰다."