CapsFormer:融合CapsNet与Transformer的医学影像几何感知分类模型
郭万玲
刘海川
重庆移通学院公共大数据安全技术重庆市重点实验室 重庆 401520
摘要：医学影像分类在临床诊断中发挥着重要作用,可以显著提升疾病的诊断效率与准确性.然而,传统方法和现有深度学习技术在处理医学影像的复杂性和几何特征时仍存在局限.基于此,文章提出了一种CapsNet几何感知能力与Transformer全局上下文建模能力的CapsFormer架构,以提高医学影像分类的准确性.实验结果表明,CapsFormer在分类准确率、F1分数和AUC-ROC等关键指标上表现较好.消融实验进一步表明,CapsNet模块精准建模几何特征,Transformer模块有效整合全局信息,二者协同作用提升了模型的鲁棒性和分类性能.CapsFormer不仅为医学影像分类提供有效解决方案,还展现出在复杂临床场景中的广阔应用前景,推动智能医疗诊断的发展.
关键词：CapsNetTransformer医学影像分析深度学习图像识别
论文发表日期：2025-12-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 48-51 )