脑瘤分类使用MRI图像基于lenet与黄金教师学习优化优化
Srilakshmi Aluri1, Sagar S Imambi2
1Research Scholar, Computer Science & Engineering, K L Educational foundation, deemed to be University, Vaddeswaram, India.
Network (Bristol, England)
|November 10, 2023
概括
本研究引入了一种优化的LeNet模型,用于使用MRI图像进行脑瘤分类 (BTC). GTLO-LeNet模型在识别质瘤,脑膜瘤和垂体瘤方面取得了高准确性.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大脑瘤 (BT) 是一种严重的神经系统疾病,死亡率不断上升.
- 早期发现脑瘤对于有效治疗患者和改善生存率至关重要.
- 磁共振成像 (MRI) 是诊断脑瘤的一个关键模式.
研究的目的:
- 开发和评估使用MRI图像的自动脑瘤分类 (BTC) 系统.
- 通过先进的图像处理和机器学习技术,提高脑瘤诊断的准确性和效率.
主要方法:
- 用非局部介质 (NLM) 过器预处理MRI图像以减少噪音.
- 使用SegNet模型进行瘤细分.
- 使用LeNet模型实现了脑瘤分类,并使用黄金教师学习优化算法 (GTLO) 进行了优化.
主要成果:
- GTLO-LeNet模型在分类脑瘤方面表现出很高的性能.
- 获得了0.896.6的准确性.
- 关键绩效指标包括NPV为0.907,PPV为0.821,TNR为0.880和TPR为0.888. 这些指标包括:
结论:
- 拟议的GTLO-LeNet模型提供了一个有希望的方法,用于从MRI数据中准确和高效地分类脑瘤.
- 这种方法有可能帮助临床医生进行早期诊断,从而改善患者的治疗结果.
