DTDO:驾驶培训开发优化启用深度学习方法用于使用MRI进行脑瘤分类
Vadamodula Prasad1, Issac Diana Jeba Jingle2, Gopalsamy Venkadakrishnan Sriramakrishnan3
1Department of Computer Science & Engineering, Lendi Institute of Engineering & Technology, Jonnada, India.
概括
这项研究介绍了DTDO-ZFNet,这是一种用于在MRI扫描中检测脑瘤的新方法. 新方法显著提高了检测准确度,减少了假阴性,有助于更早的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 由于大小,形状和边界不规则的变化,大脑瘤存在检测挑战.
- 准确的细分和分类对于有效的脑瘤诊断和治疗计划至关重要.
研究的目的:
- 引入和评估DTDO-ZFNet模型,以使用MRI增强脑瘤检测.
- 为了解决瘤划分的复杂性,并提高诊断准确性.
主要方法:
- 磁共振成像 (MRI) 数据的预处理.
- 使用SegNet进行瘤细分,并使用DTDO (DTBO和CDDO的混合体) 进行优化.
- 包括GIST,PCA-NGIST,统计,Haralick,SLBT和CNN特征在内的特征提取.
- 使用经过DTDO培训的ZFNet进行瘤分类.
主要成果:
- 该DTDO-ZFNet实现了0.944.4的高精度.
- 证明了0.936的正预测值 (PPV) 和0.939.93的真正率 (TPR).
- 实现了0.937的负预测值 (NPV),低假负率 (FNR) 为0.061%.
结论:
- 拟议的DTDO-ZFNet模型为通过MRI扫描检测脑瘤提供了强大而准确的解决方案.
- 该方法有效地克服了与不规则的瘤边界和变异相关的挑战.
- 与现有方法相比,DTDO-ZFNet显示出更高的性能,为改善临床诊断铺平了道路.


