使用卷积神经网络和虫优化算法进行结肠病诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 结肠癌的诊断在很大程度上依赖于准确的图像分析.
• 传统的特征提取方法可能是计算密集的,可能无法捕获所有相关信息.
• 开发强大高效的诊断工具对于早期检测和治疗至关重要.

研究的目的:

• 提出一种新的,强大的结肠癌诊断方法.
• 通过将深度学习特征提取与元启发特征选择相结合,提高诊断准确度.
• 评估拟议方法的性能与既有技术相比.

主要方法:

• 使用各种卷积神经网络 (CNN) 进行特征提取,包括Squeezenet,Resnet-50,AlexNet和GoogleNet.
• 使用子优化算法 (GOA) 进行特征选择,以减少维度和提高效率.
• 使用机器学习模型进行分类和评估,例如决策树和支持向量机 (SVM).
• 性能指标包括灵敏度,特异性,准确性,精度和F1Score.

主要成果:

• 这种Squeezenet-CNN和SVM组合实现了高诊断性能:99.34%的灵敏度,99.41%的特异性,99.12%的准确性,98.91%的精度,98.94%的F1Score.
• 提出的特征选择方法显著提高了结肠癌诊断的效率和准确性.
• 与其他评估方法相比,开发的方法表现出优异的性能,例如9层CNN,随机森林,7层CNN和DropBlock.

结论:

• 整合CNN用于特征提取和GOA用于特征选择,为结肠癌诊断提供了一个高度准确和强大的方法.
• 拟议的方法在自动化结肠病检测系统中取得了重大进展.
• 这种技术有望改善临床诊断工作流程和患者的治疗结果.