一种新的方法用于脑瘤分类,使用一组深度和手工制作的特征

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 大脑瘤是一种严重的癌症类型,需要快速准确的检测.
• 现有的用于瘤诊断的自动化人工智能方法通常表现不佳.
• 对于高效和精确的脑瘤诊断技术有着至关重要的需求.

研究的目的:

• 提出一种新,高效,准确的脑瘤检测方法.
• 开发一个整体特征向量 (FV),结合深度和手工制作的特征.
• 提高脑瘤诊断模型的辨别能力.

主要方法:

• 通过结合灰级共发生矩阵 (GLCM) 特性和VGG16深度特征,创建了一个整体特征向量 (FV).
• 小说的FV使用支持向量机 (SVM) 和K-最近邻居 (KNN) 算法进行分类.
• 拟议的方法验证使用交叉表格数据进行性能评估.

主要成果:

• 与独立特征向量相比,集体FV表现出优越的区分能力.
• 在使用集成FV时,拟议的框架实现了99%的最大准确性.
• 该方法在检测MRI图像中的脑瘤方面显示出强度和有效性.

结论:

• 提出的用于脑瘤检测的新方法是可靠和有效的.
• 该方法可以在现实环境中部署,通过MRI进行准确的瘤诊断.
• 放射科医生可以利用这种技术通过早期和精确的检测来改善患者的健康结果.