神经和:通过混合网络和遗传算法彻底改变甲状腺结节诊断
H Summia Parveen1, S Karthik2, Kavitha M S2
1Department of Computer Science and Engineering, Sri Eshwar College of Engineering, Coimbatore-641202.
Computer methods in biomechanics and biomedical engineering
|April 22, 2024
概括
一个新的混合模型,HNN-GSO,使用ResNet-50和人工神经网络 (ANN) 精确地对母亲甲状腺 (MT) 健康进行分类. 这种先进的机器学习方法在甲状腺超声波图像分析中达到98%的准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算生物学 计算生物学
背景情况:
- 甲状腺疾病是一个重要的健康问题,尤其是对女性来说.
- 孕产妇的甲状腺激素对于妊娠早期胎儿神经发育至关重要.
- 准确的甲状腺疾病分类对于母亲和胎儿的健康至关重要.
研究的目的:
- 引入新的HNN-GSO模型来对母体甲状腺健康进行分类.
- 利用深度学习和优化技术来提高诊断准确度.
- 评估模型的性能与现有的机器学习算法对比.
主要方法:
- 数据集预处理和遗传算法 (GA) 用于特征选择.
- 集成ResNet-50用于特征提取和人工神经网络 (ANN) 进行分类.
- 使用光蜂群优化 (GSO) 优化模型参数的优化.
主要成果:
- 在甲状腺超声波图像 (TUI) 数据集上,HNN-GSO模型实现了98%的准确率.
- 超越了像KNN,SVM,LR,RF,ResNet,GoogleNet和ANN这样的既定模型的性能.
- 在精度,回忆和F1得分指标方面表现出卓越的表现.
结论:
- HNN-GSO模型为母亲甲状腺分类提供了一个高度准确和高效的解决方案.
- 这种混合方法代表了医疗模式识别机器学习的重大进步.
- 这项研究为提高甲状腺健康评估的诊断准确性提供了一个有希望的框架.
