基于人工智能的模型用于基于增强的海马优化器和MRI扫描的多发性硬化症自动识别

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 多发性硬化症 (MS) 的诊断是具有挑战性的,需要专业知识和时间.
• 目前的多发性硬化症诊断方法可能是缓慢且资源密集的.
• 需要有效和准确的工具来早期检测MS.

研究的目的:

• 开发一种人工智能增强的方法,用于加快和准确的多发性硬化症 (MS) 诊断.
• 通过先进的成像分析来改善MS的早期识别和管理.
• 创建一种新的特征选择技术,以提高诊断准确度.

主要方法:

• 从脑MRI中提取特征,使用一级组图,灰色水平共发生矩阵 (GLCM) 和局部二进制模式 (LBP).
• 一种混合的特征选择方法,它结合了正弦正弦算法 (SCA) 和海马优化器 (SHO).
• 在不同的数据集上使用k-最近邻居 (KNN) 和随机森林 (RF) 算法进行分类.

主要成果:

• 在使用KNN的eHealth实验室数据集 (38名多发性硬化患者) 上,获得了97.97%的准确性.
• 在使用RF的较大数据集 (262个MS病例) 上,FLAIR的准确度为92.94%,T2加权图像的准确度为91.25%.
• 拟议的AI方法超越了现有的MS检测方法.

结论:

• 人工智能增强的方法显示出在MS诊断中临床决策的巨大潜力.
• 这种方法有助于快速和准确地识别多发性硬化症.
• 这项研究强调了高级特征选择和机器学习在神经疾病诊断中的有效性.