通过超声波和组织病理图像检测甲状腺癌的框架,使用深度学习,元启发学和MCDM算法
Rohit Sharma1, Gautam Kumar Mahanti1, Ganapati Panda2
1Department of Electronics and Communication Engineering, National Institute of Technology, Durgapur 713209, India.
Journal of imaging
|September 27, 2023
概括
这项研究引入了使用深度学习,元启发学和MCDM算法来增强甲状腺异常检测的新框架. 拟议的模型实现了高精度,大大帮助医疗专业人员进行诊断.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 计算机辅助诊断系统旨在支持临床医生识别甲状腺异常.
- 现有的模型在诊断准确性方面面临挑战,增加了对医疗保健专业人员的压力.
- 甲状腺图像数据集经常表现出显著的类不平衡,使准确的诊断变得复杂.
研究的目的:
- 开发和验证一个先进的框架,以提高甲状腺异常检测的准确性.
- 通过自动化系统减少医疗保健专业人员的诊断负担.
- 为了提高诊断性能,利用深度学习,元启发学和MCDM.
主要方法:
- 使用深度学习模型进行特征提取:DeiT,Swin变压器和混合器-MLP.
- 通过包括PCA,TSVD,FastICA,ISOMAP,LLE和UMP在内的技术来减少尺寸.
- 模型评估使用分类器 (LR,NB,SVC,KNN,RF) 进行5倍分层交叉验证,并使用MEREC-TOPSIS进行排名.
- 通过使用FOX优化算法组合学习和特征选择.
主要成果:
- 在超声波数据上,PCA+FOX优化+随机森林模型实现了99.13%的准确性,98.82%的F2得分和99.13%的AUC-ROC.
- 同一个模型在组织病理学数据上产生了90.65%的准确性,92.01%的F2评分和95.48%的AUC-ROC.
- 与当前最先进的方法相比,拟议的框架显示出更高的性能.
结论:
- 综合框架有效地提高了甲状腺异常的诊断能力.
- 深度学习,元启发学和MCDM的结合为医学图像分析提供了强大的方法.
- 这个系统可以显著减轻医疗专业人员在甲状腺诊断中的工作量.
