基于Swin Transformer的肝囊型包蟲病超聲圖分類研究
2022年電子技術應用第11期
熱娜古麗·艾合麥提尼亞孜1，米吾爾依提·海拉提1，王正業1，葉爾夏提·多力孔2，嚴傳波2
1.新疆醫科大學 公共衛生學院，新疆 烏魯木齊830011；2.新疆醫科大學 醫學工程技術學院，新疆 烏魯木齊830011
摘要： 為了提高肝包蟲病的篩查和診斷效率，彌補部分地區醫療資源不足的情況，提出一種基于Swin Transformer的肝包蟲病病灶智能分型方法，結合卷積注意力機制模型，通過學習圖像的整體和局部細節特征來實現對五種類型的囊型包蟲病病灶的全自動分類。為了驗證模型具有優越性，將提出的預測模型與常見分類模型對比分析。結果顯示基于改進的Swin Transformer模型在測試集上分類準確率可達92.6%。實驗結果表明相較于其他算法，基于改進的Swin Transformer網絡能較好地分類出肝囊型包蟲超聲圖像，并且該方法可以推廣到其他醫療應用中。
中圖分類號： TP751.1
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.223118
中文引用格式： 熱娜古麗·艾合麥提尼亞孜，米吾爾依提·海拉提，王正業，等. 基于Swin Transformer的肝囊型包蟲病超聲圖分類研究[J].電子技術應用，2022，48(11)：7-12，18.
英文引用格式： Renaguli·Aihemaitiniyazi，Miwueryiti·Hailati，Wang Zhengye，et al. Ultrasonic classification of hepatic cystic echinococcosis based on Swin Transformer[J]. Application of Electronic Technique，2022，48(11)：7-12，18.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.223118
中文引用格式： 熱娜古麗·艾合麥提尼亞孜，米吾爾依提·海拉提，王正業，等. 基于Swin Transformer的肝囊型包蟲病超聲圖分類研究[J].電子技術應用，2022，48(11)：7-12，18.
英文引用格式： Renaguli·Aihemaitiniyazi，Miwueryiti·Hailati，Wang Zhengye，et al. Ultrasonic classification of hepatic cystic echinococcosis based on Swin Transformer[J]. Application of Electronic Technique，2022，48(11)：7-12，18.
Ultrasonic classification of hepatic cystic echinococcosis based on Swin Transformer
Renaguli·Aihemaitiniyazi1，Miwueryiti·Hailati1，Wang Zhengye1，Yeerxiati·Duolikong2，Yan Chuanbo2
1.College of Public Health，Xinjiang Medical University，Urumqi 830011，China； 2.College of Medical Engineering Technology，Xinjiang Medical University，Urumqi 830011，China
Abstract： In order to improve the screening and diagnosis efficiency of hepatic hydatid disease, and make up for the shortage of medical resources in some areas, this paper proposes an intelligent typing method of hepatic hydatid disease based on Swin Transformer, which combines the convolution attention mechanism model, and realizes the automatic classification of five types of cystic hydatid disease by learning the whole and local details of images. In order to verify the superiority of the model, the prediction model proposed in this paper is compared with common classification models. The results show that the classification accuracy based on the improved Swin Transformer model can reach 92.6% on the test set. The experimental results show that compared with other algorithms, the improved Swin Transformer network can better classify the ultrasonic images of hepatic cystic echinococcosis, and this method can be extended to other medical applications.
Key words : deep learning；image classification；hepatic cystic echinococcosis；ultrasonic image；transfer learning
0 引言
包蟲病是由棘球絳蟲幼蟲引起的一種呈全球分布性的人畜共患寄生蟲病[1]。根據中國疾病預防控制中心數據顯示[2]，每年約有超過200萬人感染包蟲病，在畜牧地區特別是醫療衛生條件較差的偏遠地區的流行較為突出。我國是世界上包蟲病患病最嚴重的國家之一[3]，以細粒棘球絳蟲引起的囊型包蟲病(Cyst Echinococcosis，CE)和多房棘球絳蟲引起的泡型包蟲病(Alveolar Echinococcosis，AE)流行為主，其中囊型包蟲病的患病率最高，占全部發病的98%以上[4]。此病多發于中國西北部牧區和青藏高原等醫療資源貧瘠的地區，由于新疆肝包蟲病發病率較高，已成為新疆的地方性特色病[5]。包蟲病不同分型在臨床上對應不同的治療方案[6]，準確的分型對包蟲病的治療有重要的意義。目前臨床上評估肝包蟲病首選的方法是影像檢查，超聲診斷因其無輻射和低成本等特點被廣泛用于肝包蟲病的篩查和診斷[7]。然而，該病患者多而專業醫生和檢測技術遠遠不能滿足患者的就醫需要，尤其是在畜牧及偏遠的地區，往往還存在著醫生經驗不足的情況，并且因該病早期臨床表現不明顯，患者往往是出現肝區疼痛等明顯癥狀時才開始就醫，這不僅給治療帶來更大的難度，還會影響肝包蟲發病早期的精確診斷。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000004997。
作者信息：
熱娜古麗·艾合麥提尼亞孜1，米吾爾依提·海拉提1，王正業1，葉爾夏提·多力孔2，嚴傳波2
(1.新疆醫科大學 公共衛生學院，新疆 烏魯木齊830011；2.新疆醫科大學 醫學工程技術學院，新疆 烏魯木齊830011)
此內容為AET網站原創，未經授權禁止轉載。