Effiziente und genaue Pneumonie-Erkennung mittels eines neuen Multi-Skalen-Transformer-Ansatzes

Pneumonie, eine weit verbreitete Atemwegsinfektion, bleibt weltweit eine der Hauptursachen für Morbidität und Mortalität, insbesondere in verletzlichen Bevölkerungsgruppen. Röntgenbilder des Thorax dienen als wichtigstes Werkzeug zur Erkennung von Pneumonie; jedoch komplizieren Variationen in den Bildgebungskonditionen und subtile visuelle Indikatoren eine konsistente Interpretation. Automatisierte Werkzeuge können traditionelle Methoden durch die Verbesserung der diagnostischen Zuverlässigkeit und die Unterstützung der klinischen Entscheidungsfindung erweitern. In dieser Studie schlagen wir einen neuen Ansatz mit einem mehrskaligen Transformer vor, der Lungensegmentierung und Klassifizierung in ein einheitliches Framework integriert. Unsere Methode führt einen leichten, transformer-verstärkten TransUNet für präzise Lungensegmentierung ein, der auf dem Datensatz "Chest X-ray Masks and Labels" einen Dice-Wert von 95,68 % erreicht und weniger Parameter als herkömmliche Transformer hat. Für die Klassifizierung verwenden wir vortrainierte ResNet-Modelle (ResNet-50 und ResNet-101), um mehrskalige Merkmalskarten zu extrahieren, die dann durch ein modifiziertes Transformer-Modul verarbeitet werden, um die Pneumonieerkennung zu verbessern. Diese Integration von mehrskaliger Merkmalsextraktion und leichten Transformer-Modulen gewährleistet eine robuste Leistung und macht unsere Methode für klinische Umgebungen mit eingeschränkten Ressourcen geeignet. Unser Ansatz erreicht eine Genauigkeit von 93,75 % auf dem Datensatz "Kermany" und 96,04 % auf dem Datensatz "Cohen", wobei er bestehende Methoden übertrifft und gleichzeitig die rechnerische Effizienz beibehält. Diese Arbeit zeigt das Potenzial mehrskaliger Transformer-Architekturen zur Verbesserung der Pneumoniediagnose auf und bietet eine skalierbare und genaue Lösung für globale Gesundheitsausforderungen. [https://github.com/amirrezafateh/Multi-Scale-Transformer-Pneumonia]