脏CT图像的自动分类与基于浮雕的新型混合深度模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 腎臟病學 (nephrology) 是一種醫學.

背景情况:

• 脏疾病往往在早期阶段进展不被发现.
• 常规计算机断层扫描 (CT) 扫描对于诊断至关重要.
• 早期发现可显著改善治疗结果,并预防并发症.

研究的目的:

• 开发和评估一种混合模型来对脏CT图像进行分类.
• 将拟议模型的性能与已建立的预训练模型进行比较.
• 增强早期检测结石,瘤和囊的功能.

主要方法:

• 提出了一个新的29层混合模型.
• 从卷积层6和7中提取和优化了特征地图,并使用了Relief方法进行优化.
• 广泛的神经网络分类器被用于脏CT图像的最终分类.

主要成果:

• 拟议的混合模型实现了99.37%的分类准确度.
• 这显著优于八种不同的预训练模型,其最大精度为87.75%.
• 该模型在各种评估指标上显示出高性能.

结论:

• 拟议的混合模型为自动和有效的脏CT图像分类提供了一个有希望的方法.
• 这种方法可以帮助早期和准确诊断病理.
• 人工智能的进步可以显著提高科的诊断能力.