使用理想的浅层神经网络与人工水母优化进行自动脑瘤检测
S R Sridhar1, M Akila2, R Asokan3
1Department of Computer Science and Engineering, Muthayammal Engineering College, Namakkal, 637408, India.
Current medical imaging
|July 31, 2023
概括
这项研究介绍了一种人工水母优化-理想浅层神经网络 (AJO-ISNN) 模型,用于从MRI扫描中准确预测脑瘤. AJO-ISNN模型实现了高精度和高效的细分,优于现有方法.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 来自MRI和CT扫描的自动脑瘤预测面临着计算复杂性和准确性的挑战.
- 现有的自动化工具往往需要显著的人类干预,以精确识别瘤区域.
- 需要先进的计算模型来提高脑瘤分析的准确性和降低复杂性.
研究的目的:
- 利用磁共振成像 (MRI) 开发一个改进的用于脑瘤分类和细分的自动化系统.
- 为了提高预测准确度和减少脑瘤分析中的计算复杂性.
- 评估通过人工水母优化 (AJO) 算法优化的理想浅层神经网络 (ISNN) 的有效性.
主要方法:
- 利用MRI图像来增强信息性,使用Gabor过来减少噪音,并使用组图平衡来增强边界.
- 实现了一个理想的浅层神经网络 (ISNN),通过人工水母优化 (AJO) 算法进行优化,以减少特征维度和分类.
- 雇用的中枢神经重量分段 (WCS) 与虫优化算法 (GOA) 结合,改善了脑瘤边界的分段.
主要成果:
- 拟议的AJO-ISNN模型实现了95.14%的分类准确度,明显超过卷积神经网络 (CNN) 的85.41%和VGG 19的93.75%.
- 用虫优化算法 (CWS-GOA) 进行的中心权重细分在BRATS和Kaggle数据集上显示了93.15%的子相似系数.
- 该模型实现了高效的分类和细分,在约65秒内处理大约200张图像.
结论:
- 与多级联CNN和InceptionV3.3等现有方法相比,AJO-ISNN模型在脑瘤分类和细分方面提供了更高的准确性和效率.
- 整合AJO用于特征优化和GOA用于细分,大大提高了神经网络模型的性能.
- 这项研究提出了从医学成像数据中自动化脑瘤分析的计算效率高和高度准确的方法.
