在Flair/T2模式的MRI切片中检测大脑瘤类别,使用大象群算法优化功能
Venkatesan Rajinikanth1, P M Durai Raj Vincent2, C N Gnanaprakasam3
1Department of Computer Science and Engineering, Division of Research and Innovation, Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Chennai 602105, India.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
这项研究引入了一种高效的深度学习方案,用于在MRI扫描中检测脑瘤. 综合特征方法实现了99.67%的准确性,即使在有噪音的数据中也证明了其可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 计算和技术的进步使医疗保健的自动化成为可能.
- 准确的脑瘤检测对于有效的患者治疗至关重要.
研究的目的:
- 开发一个高效的基于深度学习的脑瘤 (BT) 检测方案.
- 在FLAIR和T2模式磁共振成像 (MRI) 片中检测瘤.
- 用临床收集和基准MRI切片来验证该方案的可靠性.
主要方法:
- 预处理原始MRI图像.
- 使用预训练模型进行深度特征提取.
- 基于流域算法的BT细分和形状特征挖掘.
- 使用大象牧养算法 (EHA) 的功能优化.
- 使用三重交叉验证进行二进制分类和验证.
主要成果:
- 基于特征的综合方案通过支持矢量机器 (SVM) 分类器实现了99.6667%的分类准确度.
- 该方案在基准 (BRATS,TCIA) 和临床收集的MRI切片上都表现出可靠的性能.
- 拟议的方法显示了更好的分类结果,即使在噪音攻击的MRI片上进行测试时也是如此.
结论:
- 开发的深度学习方案为MRI中脑瘤检测提供了一种高效和准确的方法.
- 深度特征,形状特征和EHA优化的集成提高了分类性能.
- 该方案对噪声的强度表明它有可能用于现实世界的临床应用.
