从MRI图像中对脑瘤进行分类,使用深度学习支持的混合优化算法
Sudhakar Raju1, Venkateswara Rao Peddireddy Veera2
1Associate Professor, Department of Computer Science & Engineering, Madanapalle Institute of Technology & Science, Madanapalle, Andhra Pradesh, India.
概括
这项研究引入了一种混合深度学习方法,用于使用MRI扫描来检测和分类脑瘤. 该方法在识别和分类脑瘤方面实现了高精度,提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 通过MRI对脑瘤进行细分是具有挑战性的,因为其位置,形状和强度各不相同.
- 准确和早期发现脑瘤对于有效的治疗计划至关重要.
研究的目的:
- 开发一种支持深度学习 (DL) 的系统,以使用磁共振成像 (MRI) 准确检测和分类脑瘤.
- 通过混合优化方法提高脑瘤诊断的性能.
主要方法:
- 使用适应式维纳波器来降低噪音,U-Net用于图像细分.
- 实施数据增强技术以提高模型的稳定性.
- 使用红鹿塔斯马尼亚魔鬼优化 (RDTDO) 与DenseNet进行初始瘤检测,并使用深度残留网络 (DRN) 进行分类.
主要成果:
- 实现了高性能指标,包括最大精度为0.947,真正率 (TPR) 为0.926,真负率 (TNR) 为0.950,正预测值 (PPV) 为0.937,负预测值 (NPV) 为0.926.
- 混合RDTDO优化方法在瘤检测和分类方面都表现出有效性.
结论:
- 开发的基于DL的系统为从MRI数据中检测和分类脑瘤提供了强大而准确的解决方案.
- 混合优化策略显示了提高神经瘤学诊断准确性的巨大潜力.


