基于自适应生成3D VNet与增强图像融合的猴痘病灶智能分类模型研究

为解决猴痘疫情快速传播背景下病灶分类精度不足的问题，研究人员创新性地提出自适应生成3D VNet模型（Adaptive Generative 3D VNet），通过数据增强（cropping/rotation/flipping）、深度学习与自适应融合技术，在猴痘皮肤病变数据集（Monkeypox Skin Lesion Dataset）上实现98.8%准确率与98.5%精确度，显著提升小样本条件下的分类鲁棒性。

　　

随着猴痘病毒(Monkeypox virus)的快速传播，临床亟需高效病灶分类方案。本研究突破传统2D模型的局限，构建了融合自适应生成网络(Adaptive Generative Network)与三维体积卷积网络(3D VNet)的创新架构。该系统通过智能生成裁剪/旋转/翻转的增强图像，显著扩充训练数据多样性；3D VNet则采用立体卷积核捕获病灶空间特征，配合自适应融合层优化真实数据与合成数据的预测权重。实验采用包括杰卡德指数(Jaccard Index)、豪斯多夫距离(Hausdorff distance)和戴斯相似系数(Dice Similarity Coefficient)在内的多维指标验证，最终在猴痘皮肤病变数据集上实现接近99%的分类性能，为传染病病灶的智能诊断提供了新范式。