Sumotosima:耳镜图像分类与摘要的框架和数据集
原文中文,约500字,阅读约需2分钟。发表于: 。本研究解决了耳镜图像分类和摘要中存在的数据不足和效率低下问题,提出了一种新颖的高效深度学习及变换器框架Sumotosima。研究发现该框架在分类任务中比传统方法提高了98.03%的准确率,同时在摘要任务中优于现有的GPT-4o和LLaVA模型,展示了其在提高耳部健康沟通效率上的潜在影响。
本研究使用机器学习方法预测大脑灰质三维图像中的听力损失阈值。通过3D CNN模型将高维输入转换为潜空间,并使用标准机器学习模型预测听阈。结果表明多层神经网络模型在准确性方面优于其他技术。该研究推动了数据挖掘在医学诊断中的应用,并增进了对年龄相关听力损失的理解。