脑瘤分类用于MRI图像使用双歧视条件生成对抗网络
Kalai Selvi T1, A Sumaiya Begum2, P Poonkuzhali2
1Department of Artificial Intelligence and Data Science, Easwari Engineering College, Chennai, Tamil Nadu, India.
Electromagnetic biology and medicine
|March 10, 2024
概括
这项研究引入了一种新的双歧视条件生成对抗网络 (DDCGAN),用于在MRI图像中准确地分类脑瘤. 优化的BCO-DDCGAN-MRI-BTC方法达到99.58%的灵敏度,性能优于现有的方法.
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:
- 准确的脑瘤检测和分类对于有效的治疗计划至关重要.
- 现有的方法经常面临图像噪声和计算效率的挑战.
- 机器学习,特别是深度学习,在提高诊断准确性方面表现有前途.
研究的目的:
- 开发和评估一种先进的方法,用MRI图像对脑瘤进行分类.
- 为了提高脑瘤检测的准确性和效率,使用新的DDCGAN架构.
- 为了优化分类模型,使用元启发式方法来提高性能.
主要方法:
- 来自Brats数据集的大脑MRI图像使用结构间隔梯度过进行了预处理.
- 使用实证波纹转换 (EWT) 进行了特征提取.
- 一个双歧视者条件生成对抗网络 (DDCGAN),优化与边界犬优化 (BCO),被用来进行分类.
主要成果:
- 拟议的BCO-DDCGAN-MRI-BTC方法实现了99.58%的高灵敏度.
- 该系统准确地将脑瘤分为质瘤,脑膜瘤,垂体腺和正常类别.
- 实验结果表明,与KSVM-HHO-BTC,JT-TCDNN-BTC和YOLOv2-CNN-BTC方法相比,其性能优越.
结论:
- BCO-DDCGAN-MRI-BTC方法显著提高了MRI图像中脑瘤分类的准确性.
- 拟议的方法减少了计算时间和错误,提供了更有效的诊断工具.
- 这项研究突出了DDCGAN与医疗图像分析的元启发性优化相结合的潜力.
更多相关视频
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
2.4K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
