基于转移学习技术的下垂体瘤分类CAD系统设计.

科学领域:

• 医疗成像医学成像
• 计算机辅助诊断 计算机辅助诊断
• 机器学习 机器学习

背景情况:

• 大脑瘤代表细胞异常生长,在医学图像分析中提出了挑战.
• 通过磁共振成像 (MRI) 精确检测垂体瘤对于患者的治疗结果至关重要.
• 开发强大的医疗图像处理算法仍然是一个重要的研究领域.

研究的目的:

• 提出专家算法用于自动检测由MRI扫描的垂体脑瘤.
• 评估各种深度学习模型和用于瘤分类的机器学习技术的性能.
• 将拟议的计算机辅助系统的准确性与传统的图像处理方法进行比较.

主要方法:

• 应用了包括光滑,边缘检测和过在内的预处理技术.
• 用分水技术进行了细分.
• 转移学习模型 (Resnet 50,Inception V3,VGG16,VGG19) 和具有混合特征 (GLDS,GLCM) 的机器学习算法 (SVM,PNN,kNN) 用于分类.

主要成果:

• 发明V3模型实现了96%的分类准确度.
• 混合GLDS和GLCM功能与支持矢量机 (SVM) 产生了95%的准确性.
• 概率神经网络 (PNN) 和k-近邻 (kNN) 技术获得了93%的准确性.

结论:

• 与传统的图像处理技术相比,计算机辅助系统提供了更高的速度和准确性.
• 发明V3模型的准确性比GLDS + GLCM + SVM提高了1.0%.
• 对于GLDS + GLCM + SVM而言,GLDS + GLCM + kNN的准确性得到了2.1%的改进,这突显了混合功能的有效性.