脑瘤检测和分类与细分改进的无监督集群方法和机器学习分类器的细分

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 大脑瘤是一个重大的全球健康问题,传统的诊断方法如活检具有诸如低灵敏度和程序风险等局限性.
• 传统的脑瘤识别依赖于主观解释,增加了人为错误的可能性,并因劳动密集型过程而增加医疗保健成本.
• 医学成像技术的进步,包括磁共振成像 (MRI) 和计算机断层扫描 (CT),加上计算机辅助诊断 (CAD) 系统,对于改善可视化和检测至关重要.

研究的目的:

• 提出一个增强的 Fuzzy C-Means (FCM) 分段算法,专门设计用于脑瘤的磁共振成像 (MRI).
• 通过减少计算复杂性和选择相关特征来提高自动瘤细分和分类的准确性和效率.
• 评估拟议的算法的性能与现有模型对比,以可靠地识别脑瘤.

主要方法:

• 开发了一种改进的 Fuzzy C-Means (FCM) 算法,用于在MRI图像中对脑瘤进行细分.
• 功能选择专注于最相关的形状,纹理和颜色特征,以尽量减少复杂性.
• 使用改进的极端学习机器 (ELM) 模型对细分瘤进行分类.

主要成果:

• 改进的ELM分类器实现了高性能指标:98.56%的准确性,99.14%的精度和99.25%的回忆.
• 与现有模型相比,拟议的算法显示出更高的准确性,改进率从1.21%到6.23%不等.
• 在基准数据集 (Fig.share和Kaggle) 上,该算法取得了出色的结果 (例如,Kaggle上的准确率为99.42%),特别擅长检测质瘤等级.

结论:

• 增强的FCM细分算法与改进的ELM分类器相结合,提供了基于MRI数据进行脑瘤分类的强大而准确的方法.
• 提出的方法显著优于现有模型,显示出更可靠,更有效的临床诊断的潜力.
• 尽管存在诸如文物和计算需求等挑战,但精细的算法在精确的脑瘤识别方面取得了显著的进步.