HO-SsNF:基于堆优化器的自我系统化的神经模糊方法,用于使用巴氏涂片图像进行宫癌分类
Ashok Shanmugam1, Kavitha Kvn2, Prianka Ramachandran Radhabai3
1Department of Electronics and Communication Engineering, Vel Tech Multi Tech Dr. Rangarajan Dr. Sakunthala Engineering College, Chennai, Tamil Nadu, India.
Frontiers in oncology
|May 16, 2024
概括
一种新的基于堆优化器的自我系统化神经模糊 (HO-SsNF) 方法能够准确地检测出99.6%的宫癌细胞. 这种创新方法有助于早期诊断和预防,可通过智能手机应用程序访问.
科学领域:
- 在瘤学瘤学.
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
背景情况:
- 宫癌在全球范围内对女性构成重大健康风险.
- 传统的诊断方法,如细胞学,在早期和精确的检测方面存在局限性.
- 需要先进的计算工具来改善宫癌的诊断.
研究的目的:
- 引入一种创新的基于堆优化器的自我系统化神经模糊 (HO-SsNF) 方法用于宫癌细胞分类.
- 评估拟议HO-SsNF方法的诊断准确性和效率.
- 通过改进的诊断工具,为增强的癌症预防策略提供基础.
主要方法:
- 利用堆优化器 (HO) 来对宫细胞进行图像细分.
- 使用灰级共发生矩阵 (GLCM) 和局部二进制模式 (LBP) 提取细胞特征.
- 开发了一种自我系统化的神经模糊 (SsNF) 分类器,用于准确的细胞分类.
主要成果:
- 在宫癌细胞中达到99.6%的高分类准确度.
- 通过比较分析,与现有方法相比,表现出优越的性能.
- 该算法显示了最小的资源需求,使其更容易融入临床环境.
结论:
- HO-SsNF 方法是用于精确检测子宫癌的高度准确和高效的工具.
- 将算法集成到智能手机应用程序中可以提高诊断的可访问性.
- 这一进步支持改进的癌症预防和管理策略.
