一种基于深度卷积与Swin Transformer混合SSM模型的医学图像分类方法

本发明涉及一种基于深度卷积与SwinTransformer混合SSM模型的医学图像分类方法，旨在通过有效结合深度卷积神经网络(CNN)、状态空间模型(SSM)和Swin Transformer，实现医学图像的精准分类。该方法通过连续多核深度可分离卷积对输入图像进行局部细节建模，提取深层判别特征；接着，通过深度可分离卷积与2D选择性扫描模块(SS2D)进一步增强特征提取能力，保留全局感受野并建立远距离依赖关系，捕捉远端细节特征；最后，通过Swin Transformer模型进行全局特征建模，聚焦图像的全局细节信息，确保更充分的图像特征提取。本发明在多个公开医学数据集和私有数据集上的实验表明，该方法相较于现有的医学图像分类方法，具有更高的分类精度和更好的表现，尤其在医学图像细粒度特征提取和长距离依赖关系建模方面具有显著优势。