CerviLearnNet:通过强化学习增强的卷积网络推进子宫癌诊断
Shakhnoza Muksimova1, Sabina Umirzakova1, Seokwhan Kang1
1Department of Computer Engineering, Gachon University, Sujeong-gu, Seongnam-si 461-701, Gyeonggi-do, South Korea.
Heliyon
|May 2, 2024
概括
一个新的机器学习模型,RL-CancerNet,通过图像准确诊断子宫癌. 这种方法为早期检测提供了一种可靠的方法,改善了患者的治疗结果.
科学领域:
- 在瘤学瘤学.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 宫癌对全球女性构成重大健康风险.
- 通过查和治疗癌前病变的早期检测至关重要.
- 机器学习越来越多地用于早期疾病预测.
研究的目的:
- 开发一个准确的机器学习模型,用于早期诊断子宫癌.
- 引入一种新的架构,RL-CancerNet,以提高分类准确度.
主要方法:
- 提出了一个新的架构:强化学习癌症网络 (RL-CancerNet).
- 使用了辅助模块和用于上下文交互的特殊剩余块.
- 在SipaKMeD和Herlev宫癌图像数据集上接受了RL-CancerNet的培训和测试.
主要成果:
- 在诊断子宫癌方面,RL-CancerNet取得了很高的准确性.
- 该模型在不同大小的数据集中展示了可靠性和稳定性.
- 性能优于以前的最先进的分类方法.
结论:
- RL-CancerNet提供了一种可靠和准确的方法,用于早期检测宫癌.
- 拟议的架构显示了对不同数据集的有效性潜力.
- 这一进步可以通过改进的诊断来帮助对抗宫癌.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:23A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
1.8K
