从MRI扫描中分类大脑瘤:混合深度学习模型的框架与贝叶斯优化和基于量子理论的海洋捕食者算法
Muhammad Sami Ullah1, Muhammad Attique Khan1, Anum Masood2
1Department of Computer Science, HITEC University, Taxila, Pakistan.
Frontiers in oncology
|February 23, 2024
概括
这项研究引入了一种先进的深度学习模型,用于从MRI扫描中对脑瘤进行分类,达到99.80%的准确性. 这种新的框架有效地处理不平衡的数据集,并将特征合并为准确的诊断.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 通过MRI进行脑瘤分类是具有挑战性的,因为它具有复杂的特征和数据不平衡.
- 当前的深度学习方法可能会忽略关键特征,影响诊断准确度.
- 准确的分类对于及时有效的患者治疗至关重要.
研究的目的:
- 提出一个使用MRI进行脑瘤分类的自动化深度学习模型.
- 开发一个最佳的信息融合框架,以提高分类性能.
- 为了应对脑瘤成像中的不平衡数据集的挑战.
主要方法:
- 一个稀疏的自动编码器网络被用于数据增强,以解决数据集不平衡.
- 使用贝叶斯优化优化两个预训练的神经网络.
- 改进的基于量子理论的海洋捕食者优化算法 (QTbMPA) 用于特征选择和融合.
主要成果:
- 拟议的框架在增强数据集上实现了99.80%的高精度.
- 卓越的性能指标包括99.83%的灵敏度和99.83%的精度.
- QTbMPA算法有效地选择并融合了相关的深度特征以进行分类.
结论:
- 开发的深度学习模型和融合框架显著提高了脑瘤分类准确度.
- 该方法有效地处理不平衡的医学成像数据集.
- 这种方法为准确和自动化的脑瘤诊断提供了一个有前途的工具.
