优化特征选择驱动的卷积神经网络,使用灰色水平共发生矩阵检测子宫癌
K Sudhakar1, D Saravanan2, G Hariharan3
1Department of Computer Science & Engineering, Madanapalle Institute of Technology & Science, Madanapalle, Andhra Pradesh, India.
Open life sciences
|December 4, 2023
概括
使用先进的图像分析可以改善宫癌查. 一种GLCM-CNN方法在检测早期宫癌方面表现出最高的精度,有助于女性.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 子宫癌仍然是一个重大的全球健康威胁,不成比例地影响发展中国家的妇女.
- 虽然工业化国家发生率有所下降,但发展中国家的进展较慢.
- 通过查及早检测对于管理宫癌至关重要,宫癌由于进展缓慢,往往被诊断为晚期.
研究的目的:
- 评估用于检测宫癌的先进图像分析技术的有效性.
- 为了比较不同机器学习分类器在识别早期宫癌方面的表现.
- 提高宫癌查方法的精度.
主要方法:
- 特征选择使用灰色水平共发生矩阵 (GLCM) 技术进行.
- 使用了分类模型,包括卷积神经网络 (CNN),支持向量机 (SVM) 和自动编码器.
- 整合了GLCM技术与这些分类器进行比较分析.
主要成果:
- 在测试方法中,GLCM-CNN分类器实现了最高的精度.
- 这表明在准确识别子宫癌特征方面具有卓越的性能.
- 该研究强调了GLCM-CNN在改善诊断准确性的潜力.
结论:
- 该GLCM-CNN分类器显示显著增强宫癌查准确性的承诺.
- 将GLCM与CNN集成为早期检测和诊断提供了一个强大的工具.
- 进一步的研究可能会导致更有效的宫癌管理策略,特别是在服务不足的地区.
