使用混合CNN方法和RIDGELET转换检测和分类脑膜瘤脑瘤
B V Prakash1, A Rajiv Kannan2, N Santhiyakumari3
1Faculty of Information Technology, Government College of Engineering, Erode, Tamil Nadu, India.
Scientific reports
|September 4, 2023
概括
这项研究引入了一种混合卷积神经网络 (HCNN),用于自动检测脑膜瘤脑瘤. 在医疗图像中,HCNN系统在区分瘤和非瘤方面取得了高精度.
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:
- 由于像素强度低,脑膜瘤检测具有挑战性.
- 自动化系统对于现代医疗平台至关重要.
- 精确检测像脑膜瘤这样的脑瘤至关重要.
研究的目的:
- 提出一种新的混合卷积神经网络 (HCNN),用于自动检测脑膜瘤.
- 开发一个高效的HCNN分类器来区分脑膜瘤与非脑膜瘤的大脑图像.
- 提高脑瘤检测系统的准确性和可靠性.
主要方法:
- 开发了一个混合卷积神经网络 (HCNN) 分类器.
- 该HCNN结合Ridgelet转换的像素稳定性和特征提取.
- 用一个细分算法来准确识别瘤像素.
主要成果:
- 在多个数据集上,HCNN系统表现出高性能 (BRATS 2019,南方,BRATS 2022).
- 达到高达99.81%的分类精度和99.8%的细分精度.
- 在实验性比较中超越了最先进的脑膜瘤检测算法.
结论:
- 拟议的基于HCNN的系统为脑膜瘤检测提供了高效和准确的解决方案.
- 整合Ridgelet转换可以提高特征稳定性和分类性能.
- 这种自动化方法在神经瘤学中具有显著的临床应用潜力.
