多级脑瘤分类使用混合 coot 弗拉明戈搜索优化算法 启用用MRI图像进行深度学习
Jayasri Kotti1, Manikandan Moovendran2, Mekala Kandasamy3
1Department of Information Technology, GMR Institute of Technology, Rajam, Andhra Pradesh, India.
Network (Bristol, England)
|April 26, 2024
概括
这项研究引入了一个深度学习方法用于脑瘤 (BT) 分类,使用优化的SpinalNet和CootFSOA-LinkNet进行准确的细分和多类型瘤识别.
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:
- 脑瘤 (BT) 检测和分类对于有效的治疗计划至关重要.
- 从MRI中精确细分瘤区域对于准确的诊断至关重要.
- 现有的深度学习模型需要优化,以提高在BT分析中的性能.
研究的目的:
- 通过深度学习提出一种创新的多层次BT分类方法.
- 开发一种新的细分方法来隔离脑瘤区域.
- 优化深度学习模型结构和超参数以提高准确性.
主要方法:
- 使用自适应卡尔曼波器 (AKF) 进行MRI图像消噪.
- 使用CootFSOA-LinkNet进行瘤细分和LinkNet结构优化.
- 实现了CootFSOA-SpinalNet,用于多层次的BT分类和超参数调整.
主要成果:
- 在BT分类中取得了卓越的性能,准确度为0.926.
- 证明了高效率,真正阳性率 (TPR) 为0.931和真负率 (TNR) 为0.925.
- 成功分类了不同的脑瘤类型,包括质瘤,垂体瘤和脑膜瘤.
结论:
- 提出的CootFSOA-SpinalNet深度学习方法显著提高了脑瘤检测和分类准确度.
- 这种新的细分技术有效地隔离了瘤区域,有助于精确诊断.
- 这种方法在使用医学成像的自动化脑瘤分析中提供了有前途的进步.
