基于跳过连接的高效剩余网络 (ESRNet) 用于脑瘤分类.
Ashwini B1, Manjit Kaur2, Dilbag Singh3,4
1Department of ISE, NMAM Institute of Technology, Nitte (Deemed to be University), Nitte 574110, India.
Diagnostics (Basel, Switzerland)
|October 28, 2023
概括
这项研究引入了一个基于跳过连接的有效剩余网络 (ESRNet) 用于脑瘤分类 (BTC). ESRNet显著提高了诊断准确性,为临床应用提供了一个有前途的工具.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 脑瘤由于其复杂性和潜在的严重性,因此存在重大诊断挑战.
- 现有的深度学习 (DL) 模型用于脑瘤分类 (BTC) 面临诸如消失梯度和难以捕捉复杂特征等局限性.
研究的目的:
- 提出一个基于跳过连接的高效剩余网络 (ESRNet),以克服BTC当前DL模型的局限性.
- 为了增强特征学习和模式识别在脑瘤分类.
主要方法:
- 开发ESRNet,利用剩余网络 (ResNet) 与跳过连接来确保平稳的梯度流并减轻消失的梯度.
- 集成多个阶段,增加剩余块,高效的下方采样和批量规范化,以获得强大的性能.
- 利用跳过连接进行身份映射,保持梯度流并实现有效的信息传播.
主要成果:
- 在准确性,敏感性,特异性,F-score和卡帕统计数据方面,ESRNet表现优于其他方法.
- 实现了中位数性能指标,包括99.62%的准确性,99.68%的灵敏性和99.89%的特异性.
- 最小的性能指标,如99.34%的准确性和99.79%的特异性,突出了ESRNet的卓越有效性.
结论:
- 拟议的ESRNet为脑瘤分类提供了卓越的性能和效率.
- ESRNet有可能显著推进脑瘤的临床诊断和治疗规划.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.3K
