基于区域卷积神经网络与Transformer模型的腰椎间盘MRI影像智能分类研究及其诊断价值分析

《International Journal of Imaging Systems and Technology》：Automated Lumbar Disc Intensity Classification From MRI Scans Using Region-Based CNNs and Transformer Models

本研究针对腰椎间盘MRI扫描的强度检测与分类问题，评估了基于区域的深度学习框架（如Faster R-CNN、Mask R-CNN）和Transformer架构（包括MaxViT、ViT混合模型等）。结果显示Mask R-CNN结合ResNet101骨干网络实现99.83%的mAP@0.50，而混合CNN-ViT模型获得最高分类准确率（83.1%）。该研究为腰椎自动评估提供了有效的深度学习解决方案，推动医疗诊断系统向更精准可靠方向发展。

　　

本研究深入探讨了深度学习技术在磁共振成像（MRI）扫描中腰椎间盘强度检测与分类的应用效能。研究人员首先评估了基于区域的深度学习框架，包括配备不同骨干网络（如ResNet50和ResNet101）的Faster R-CNN（区域卷积神经网络）和Mask R-CNN（掩码区域卷积神经网络）。实验结果表明，骨干网络的选择显著影响模型性能，其中结合ResNet101的Mask R-CNN实现了惊人的99.83% mAP@0.50（平均精度@0.50交并比阈值）。

除了目标检测模型，研究还实施了基于Transformer（转换器）的分类架构，包括MaxViT（多轴视觉转换器）、Vision Transformer（视觉转换器，ViT）、混合CNN-ViT模型以及精细调优增强金字塔网络（FT-EPN）。在这些模型中，混合模型获得了最高的分类准确率（83.1%），而MaxViT实现了最高精确度（0.804）。对比分析表明，虽然Mask R-CNN模型在分割和检测任务中表现卓越，但基于Transformer的模型为腰椎间盘严重程度直接分类提供了有效解决方案。

这些发现强调了骨干网络架构和模型类型在优化诊断性能中的关键作用。该研究证明了整合基于区域和基于Transformer的模型在推进自动化腰椎评估方面的潜力，为开发更准确可靠的医疗诊断系统开辟了新途径。作者声明不存在利益冲突。