通过对立的蛇优化算法精确的多级值图像分割:肝脏疾病的真实病例

科学领域:

• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 肝脏疾病是全球主要的健康问题,需要准确的诊断工具.
• 计算机辅助诊断 (CAD) 系统需要精确的肝脏细分从CT扫描有效的治疗.
• 肝脏细分的挑战包括不一致的器官存在和模糊的边界.

研究的目的:

• 开发一个增强的蛇优化 (SO) 算法,与基于对立的学习 (OBL) 集成,称为SO-OBL,用于改善肝病细分.
• 在全球优化和多层次图像分割任务中评估SO-OBL算法的性能.
• 为计算机辅助诊断 (CAD) 系统创建一个先进的肝脏细分模型.

主要方法:

• 一个增强的蛇优化 (SO) 算法,结合了基于对立的学习 (OBL) 被开发 (SO-OBL).
• 该SO-OBL算法与使用CEC'2022测试函数的11个最先进的元启发算法进行了基准测试.
• 使用SO-OBL算法和优化的多级值技术 (Otsu的函数) 构建了一种肝病细分模型.

主要成果:

• 与现有的元启发算法相比,SO-OBL算法在全球优化方面表现出了卓越的性能.
• 肝脏细分模型实现了高精度的FSIM=0.947,SSIM=0.941和PSNR=24.876. 这样,肝脏细分模型获得了高精度.
• 该模型表现出高效率,执行时间短0.281秒.

结论:

• 拟议的SO-OBL算法有效地解决了来自CT扫描的肝脏细分方面的挑战.
• 开发的细分模型显示了计算机辅助诊断 (CAD) 系统中准确高效诊断的巨大潜力.
• 这项研究有助于推进用于检测肝病的医学图像分析.