一种新型多分支 ConvNeXt 架构用于 CT 扫描中识别微弱病理特征
计算机视觉与模式识别
2025-10-28 v2 机器学习
摘要
医学影像的智能分析在协助临床诊断中发挥着关键作用，尤其对于识别细微病理特征。本文介绍一种新型多分支 ConvNeXt 架构，旨在满足医学图像分析中的细微挑战。虽然本文将其应用于新冠病毒诊断，但该方法为从 CT 扫描中对广泛范围的病理进行分类提供了一个通用框架。该模型包含严格的端到端流程，涵盖细致的数据预处理与增强，以及一种有效利用迁移学习的纪律化两阶段训练策略。该架构独特地集成了来自三个平行分支提取的特征：全局平均池化、全局最大池化，以及一种新的注意力加权池化机制。该模型在来自两个不同数据集的 2,609 个 CT 切片上进行了训练与验证。实验结果表明，在验证集上表现卓越，最终 ROC-AUC 为 0.9937，验证准确率为 0.9757，F1 分数为 0.9825，优于该数据集上先前报告的所有模型。这些发现表明，现代多分支架构结合严谨的数据处理，即可实现相当于或超过当代最先进模型的性能，从而证明了先进深度学习技术可为稳健的医学诊断提供效能。
引用
@article{arxiv.2510.09107,
title = {A Novel Multi-branch ConvNeXt Architecture for Identifying Subtle Pathological Features in CT Scans},
author = {Irash Perera and Uthayasanker Thayasivam},
journal= {arXiv preprint arXiv:2510.09107},
year = {2025}
}
备注
Source Code : https://github.com/Irash-Perera/MedNeXt-Branch