基于Mobilenetv2的MRI进行脑瘤诊断,并通过合同狐优化算法进行优化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 准确的脑瘤诊断对于有效的治疗计划至关重要.
• 深度学习模型在医学图像分析中表现有前途,但需要仔细优化.
• 使用MRI扫描检测脑瘤的现有方法在准确性和效率方面存在局限性.

研究的目的:

• 开发和评估一个优化的深度学习模型用于使用MRI扫描进行脑瘤诊断.
• 通过超参数优化提高脑瘤检测的准确性和效率.
• 将拟议模型的性能与现有诊断技术进行比较.

主要方法:

• 利用Mobilenetv2,一个深度学习模型,用于脑瘤分类.
• 采用合同狐优化算法 (CFO) 进行Mobilenetv2超参数的最佳选择.
• 在MRI扫描的Figshare数据集上实施和验证了MN-V2/CFO模型.

主要成果:

• 拟议的MN-V2/CFO模型在脑瘤检测方面表现出卓越的性能.
• 实现了高诊断指标:97.68%的精度,86.22%的F1分数,80.12%的灵敏度和97.32%的准确度.
• 优于其他比较方法,包括RN,WT/DL,VGG19和CNN.

结论:

• MN-V2/CFO模型提供了一个非常准确和有效的方法来通过MRI来诊断脑瘤.
• 这种深度学习方法有可能显著提高神经瘤学的诊断能力.
• 这些发现支持人工智能驱动工具的发展,以改善患者治疗策略和结果.