使用DTA算法进行混合分类的多类强壮脑瘤
Ganesh S1, S Kannadhasan2, Jayachandran A3
1Department of Computer Science and Engineering, Study World College of Engineering, Coimbatore, Tamilnadu, India.
Heliyon
|January 8, 2024
概括
这项研究引入了一种新的深度学习框架,用于使用MRI扫描进行准确的脑瘤识别和分类. 先进的两阶段方法提高了诊断能力,以便及时照顾患者.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 脑瘤分析对于及时诊断和治疗至关重要.
- 医学图像中的瘤形态存在重大分析挑战.
- 准确的检测和分类对于有效的患者管理至关重要.
研究的目的:
- 提出一个双相深度学习框架用于脑瘤识别和MRI分类.
- 开发一种新的DTA方法来识别瘤MRI图像.
- 引入混合特征融合技术,用于分类不同类型的脑瘤.
主要方法:
- 第一个阶段:深度瘤分析 (DTA) 用于瘤识别和特征提取.
- 第二阶段:混合特征融合 (静态和动态) 与机器学习分类器用于瘤分类.
- 对用于脑瘤检测的细分算法 (ACO,WT,GVF,GLCM,ABC) 的审查和性能评估.
主要成果:
- DTA方法有效地识别了瘤的MRI图像.
- 混合特征融合方法证明了识别异形瘤行为的能力.
- 梯度向量流 (GVF) 显示了MRI细分的优越性能,而ABC和ACO对于PET扫描来说是可比的.
结论:
- 拟议的深度学习框架为脑瘤分析提供了强大的解决方案.
- 混合方法提高了各种脑瘤类型的分类准确性.
- 对细分算法的比较分析为神经瘤学中最佳图像分析提供了洞察力.
