基于自我注意的生成对抗网络,通过颜色和算法优化,用于脑瘤分类
Senthil Pandi S1, Senthilselvi A2, Kumaragurubaran T1
1Department of Computer Science and Engineering, Rajalakshmi Engineering College, Chennai, Tamil Nadu, India.
Electromagnetic biology and medicine
|February 19, 2024
概括
一种新的脑瘤分类方法 (BTC-SAGAN-CHA-MRI) 使用SAGAN与颜色和算法来提高医学成像诊断的准确性和减少计算时间.
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:
- 大脑瘤是一个重要的全球健康问题,死亡率高.
- 准确而高效的脑瘤分类对于及时诊断和治疗至关重要.
- 现有的深度学习方法往往在精度和计算效率方面扎.
研究的目的:
- 通过使用磁共振 (MR) 图像提出一种新且高效的脑瘤分类方法.
- 为了提高脑瘤识别的准确性和减少计算时间.
- 将拟议的方法与现有的深度学习模型进行比较.
主要方法:
- 一种新的方法,BTC-SAGAN-CHA-MRI,被开发用于脑瘤的分类.
- 来自BRATS数据集的输入大脑MRI图像使用平均曲率流进行了预处理.
- 放射性特征使用改进的非实体样本的Shearlet转换 (INSST) 提取,并输入到SAGAN中,该SAGAN以颜色和算法进行了优化.
主要成果:
- 拟议的BTC-SAGAN-CHA-MRI方法在脑瘤识别方面实现了99.29%的准确性.
- 与现有模型相比,它在准确度 (18.29%,14.09%,7.34%) 和计算时间 (67.92%,54.04%,59.08%) 中显示出显著的改进.
- 该方法有效地将大脑图像分类为质瘤,脑膜瘤和垂体瘤类型.
结论:
- 该BTC-SAGAN-CHA-MRI技术在脑瘤分类方面提供了一个有前途的进步.
- 该方法提高了精度和效率,可能导致医学成像诊断结果的改善.
- 这种方法解决了当前深度学习模型在准确性和计算成本方面的局限性.
