Abstract
Глубокое обучение (DL) показало хорошие результаты в визуализации инсульта, что позволило быстро и точно классифицировать аномалии мозга с помощью компьютерной томографии (КТ). Различные нейронные сети до этого широко использовались для выполнения этой задачи, но последние достижения в моделях на основе трансформаторов предлагают новые возможности для улучшения производительности классификации. Авторы исследуют использование трансформаторов зрения (ViT) для автоматической классификации компьютерной томографии мозгового инсульта на нормальные и инсультные категории. Vit используют механизмы внимания, чтобы выборочно фокусироваться на важных областях изображения, улучшая получение функций без необходимости предварительной обработки диапазона, связанного с задачей. Данноеисследование предлагает анализ модели ViT, оценивая ее эффективность в классификации инсульта. Экспериментальные результаты показывают, что ViT достигают конкурентоспособной точности и отличного обобщения беспрецедентных данных, демонстрируя потенциал клинического применения. Эти результаты показывают, что трансформаторные модели могут играть ключевую роль в продвижении автоматизированной диагностики инсульта, в конечном итоге улучшая раннее выявление и результаты лечения пациентов.