一种混合型甲状腺瘤类型分类系统,使用特征融合,多层感知子和波诺博优化优化
B Shankarlal1, S Dhivya2, K Rajesh3
1Department of Electrical and Computer Engineering, Perunthalaivar Kamarajar Institute of Engineering and Technology, Karaikal, India.
Journal of X-ray science and technology
|February 23, 2024
概括
一个新的人工智能系统使用增强的超声波图像准确地分类了四种甲状腺瘤类型. 这种混合模型的性能优于现有方法,为这种日益普遍的癌症提供了更好的诊断能力.
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:
- 甲状腺癌虽然历史上很少见,但越来越普遍.
- 早期和准确的诊断对于有效的治疗至关重要.
研究的目的:
- 开发一种新的混合人工智能系统,用于分类四种类型的甲状腺瘤.
- 通过先进的图像增强和特征融合技术来提高分类性能.
主要方法:
- 超声波图像使用数据扭曲技术进行了增强.
- 图像预处理涉及双边过和动态直方图平衡.
- 使用SegNet进行了细分,通过CapsuleNet和EfficientNetB2进行特征提取,然后进行融合.
- 通过使用Bonobo优化器优化的多层感知子分类器来实现分类.
主要成果:
- 拟议的混合系统显示了高分类性能.
- 关键性能指标包括精度,灵敏度,特异性,F1得分和马修的相关系数.
- 该系统的性能优于现有的分类器,如CANFES,空间模糊C介质,深信网络,Thynet,生成对抗网络和长短期记忆.
结论:
- 提出的基于多层感知器的甲状腺瘤分类系统是高效和有效的.
- 这种人工智能驱动的方法在甲状腺瘤诊断方面提供了有前途的进步.
