使用阿基米德的优化算法与转移学习进行增强的宫癌前病变检测和分类
Ayed S Allogmani1, Roushdy M Mohamed2, Nasser M Al-Shibly3
1University of Jeddah, College of Science and Arts at Khulis, Department of Biology, Jeddah, Saudi Arabia.
Scientific reports
|May 27, 2024
概括
本研究介绍了一种人工智能算法,用于使用医学图像进行早期宫癌检测. 新的CPLDC-AOATL方法达到99.53%的准确性,提高了女性的诊断能力.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 子宫癌 (CC) 是女性的主要全球健康问题,通常与人类乳头瘤病毒 (HPV) 感染有关.
- 早期检测和治疗显著提高了生存率,但在资源较少的环境中,对查的访问是有限的.
- 深度学习 (DL) 为自动化,敏感和快速的CC选提供了有希望的进展.
研究的目的:
- 用医学图像设计和评估一个增强的算法来检测和分类宫癌前病变 (CPLs).
- 通过先进的计算技术,提高宫癌诊断的准确性和效率.
主要方法:
- 该研究提出了CPLDC-AOATL算法,其中包括双边过 (BF) 以减少医疗图像中的噪声.
- 使用Inception-ResNetv2模型进行特征提取,超参数由阿基米德优化算法 (AOA) 优化.
- 双向长期短期记忆 (BiLSTM) 模型用于最终的癌症检测过程.
主要成果:
- 在基准数据集上,CPLDC-AOATL算法表现出高诊断准确率99.53%.
- 提出的方法在检测和分类宫癌前病变方面优于现有的方法.
- 结合了BF,Inception-ResNetv2,AOA和BiLSTM,证明了对CC诊断的有效性.
结论:
- CPLDC-AOATL算法为宫癌检测提供了一个高度准确和有效的AI驱动的解决方案.
- 这种方法有可能改善早期诊断,特别是在资源有限的地区.
- 该研究强调了转移学习和优化算法的有效性,用于瘤学的医学图像分析.
