用深度特征融合模型来优化泥虫的优化,用于肺癌检测和分类
Mohammad Alamgeer1, Nuha Alruwais2, Haya Mesfer Alshahrani3
1Department of Information Systems, College of Science & Art at Mahayil, King Khalid University, Abha 61421, Saudi Arabia.
Cancers
|August 12, 2023
概括
这项研究引入了一种新的深度学习模型,用于肺癌的检测和分类. 该模型使用特征融合和优化来提高从医疗图像诊断肺癌的准确性.
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:
- 肺癌是全球癌症死亡的主要原因,通常是由于晚期诊断和不良预测.
- 深度学习 (DL) 为医学图像解释和疾病分析提供了先进的功能,这对于早期肺瘤检测和治疗监测至关重要.
- 各种医学成像模式,包括CT,CXR,MRI和PET,用于肺癌检测.
研究的目的:
- 为肺癌检测和分类 (DBOMDFF-LCC) 提出一种新的虫优化改性深度特征融合模型.
- 通过先进的功能融合和超参数优化技术,提高肺癌诊断的准确性和效率.
主要方法:
- 该DBOMDFF-LCC技术采用一个功能融合过程,整合了三个深度学习模型:剩余网络 (ResNet),密集连接网络 (DenseNet) 和Inception-ResNet-v2.
- 虫优化 (DBO) 算法用于集成DL模型的最佳超参数选择.
- 长期短期记忆 (LSTM) 方法被纳入最终的肺癌检测和分类.
主要成果:
- 根据医学数据集的模拟结果,DBOMDFF-LCC技术在肺癌分类中表现得更好.
- 评估指标证实了拟议模型在准确检测和分类肺癌方面的有效性.
- 对比分析强调了DBOMDFF-LCC技术在现有方法上的优势.
结论:
- DBOMDFF-LCC技术在肺癌检测和分类方面提供了一个有前途的进步.
- 深度功能融合和基于DBO的超参数调整的集成显著提高了诊断准确性.
- 这种方法有可能通过更早,更精确的肺癌诊断来改善患者的治疗结果.
