通过MRI对脑瘤类型的分类,使用并行CNN和火虫优化优化
Chen Li1, Faxue Zhang1, Yongjian Du2
1Department of Neurosurgery, Shandong Provincial Third Hospital, Shandong University, No.12 Wuyingshan Middle Road, Jinan, 250031, Shandong, China.
Scientific reports
|July 2, 2024
概括
这项研究引入了使用磁共振成像 (MRI) 和深度学习识别脑瘤的智能方法. 这种新的方法在通过MRI扫描对瘤类型进行分类时,达到98.6%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 通过MRI扫描进行准确的脑瘤诊断对放射科医生来说是一项挑战.
- 识别瘤类型对于有效的治疗计划至关重要.
- 目前的方法需要提高准确性和效率.
研究的目的:
- 开发一种智能方法,从MRI数据中准确识别脑瘤.
- 为了提高基于MRI的瘤检测的有效性和准确性.
- 研究用于脑瘤的新细分和分类技术.
主要方法:
- 利用卷积神经网络 (CNN) 进行瘤分类.
- 开发了一种基于火虫优化 (FFO) 的新细分技术.
- 结合了两种CNN类型,以进行全面的瘤特征分类.
主要成果:
- 在脑瘤识别中达到98.6%的平均准确率.
- 拟议的FFO细分方法证明了可靠的质量评估.
- 综合CNN方法有效地对瘤特征进行了分类,并确定了瘤类型.
结论:
- 智能方法显著提高了使用MRI识别脑瘤的准确性.
- 基于FFO的细分和组合CNN为神经瘤学提供了一个有前途的方法.
- 这项研究提高了MRI用于脑瘤分析的诊断能力.


