通过优化深度网络的脑瘤识别,利用修改后的虫优化优化
Jing Zhu1, Chuang Gu2, Li Wei3
1Department of Radiology, The General Hospital of Western Theater Command, Chengdu, 610083, Sichuan, China.
Heliyon
|April 11, 2024
概括
这项研究引入了一种新的深度学习方法,用于使用MRI图像进行准确的脑瘤诊断. 该方法结合了AlexNet,极端学习机器 (ELM) 和修改后的草优化算法 (AGOA) 以改进检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 大脑瘤,异常细胞群,需要及时检测才能有效治疗.
- 准确的诊断受到瘤异质性和位置的挑战.
- 当前的诊断方法可能耗时,需要专家解释.
研究的目的:
- 开发和评估一种新的深度学习方法,用于使用MRI准确和快速的脑瘤诊断.
- 通过混合AI模型提高脑瘤分类的效率和准确性.
- 评估拟议方法的性能与现有最先进的技术相比.
主要方法:
- 使用AlexNet.net从脑MRI图像中提取特征.
- 通过将极端学习机器 (ELM) 集成为分类层来减少AlexNet的复杂性.
- 使用修订的草优化算法 (AGOA) 优化ELM网络的参数.
主要成果:
- 提出的方法实现了高性能指标:0.96准确度,0.94精度,0.96特异性,0.96F1得分,0.94灵敏度和0.90MCC.
- 该模型在不同噪音水平和图像分辨率上表现出强度和稳定性.
- 这种方法在脑瘤分类方面超过了几种最先进的技术.
结论:
- 开发的深度学习方法为脑瘤诊断提供了快速,准确和可靠的方法.
- 综合深度学习和元启发式优化的混合模型显示了医疗图像分析的巨大潜力.
- 这种方法对改善神经瘤学中的临床决策非常有价值.
