一种高效的脑瘤细分方法,基于自适应移动自我组织地图和模糊的K-Mean集群
Surjeet Dalal1, Umesh Kumar Lilhore2, Poongodi Manoharan3
1Department of Computer Science and Engineering, Amity University Gurugram, Gurugram 122412, Haryana, India.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
这项研究介绍了一种高效的自适应移动自我组织地图和模糊k-means集群 (AMSOM-FKM) 方法,用于MRI扫描中的脑瘤细分. 与现有方法相比,AMSOM-FKM技术显著提高了瘤检测的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 在磁共振成像 (MRI) 中的大脑瘤细分是一个复杂的挑战.
- 机器学习在改善瘤检测和细分精度方面表现有前途.
- 现有的方法往往难以准确地划定瘤边界.
研究的目的:
- 利用MRI数据开发一种高效的脑瘤检测和细分技术.
- 为了提高瘤区域提取的准确性和效率.
- 评估拟议方法的性能与既有技术相比.
主要方法:
- 使用了Kaggle Brats-18脑瘤数据集 (1691张图像).
- 雇员自适应移动自组织地图 (AMSOM) 用于无监督的特征学习和分类.
- 应用 模糊k-平均值 (FKM) 聚类用于精确的瘤区域细分.
- 集成的Wiener过器用于消除噪音和灰色水平共发生矩阵 (GLCM) 用于特征提取.
主要成果:
- 拟议的AMSOM-FKM技术在脑瘤细分方面表现出卓越的性能.
- 与模糊C-平均和K-平均方法相比,在准确度,灵敏度,精度和相似度指数方面取得了超过10%的改进.
- 成功细分瘤区域,将其与周围组织区分开来.
结论:
- AMSOM-FKM方法为MRI中脑瘤细分提供了一种高效和准确的方法.
- 这种技术有可能在神经瘤学中获得临床应用.
- 进一步的研究可以探索其在各种脑瘤数据集上的应用.
