改进喉癌的检测使用混乱的元启发集成与挤压和激发复网模型
Sana Alazwari1, Mashael Maashi2, Jamal Alsamri3
1Department of Information Technology, College of Computers and Information Technology, Taif University, Taif P.O. Box 11099, 21944 Taif, Saudi Arabia.
Health information science and systems
|July 15, 2024
概括
一种新的混沌元启发集成与深度学习 (LCD-CMDL) 技术可以通过喉图像改善喉癌 (LC) 的检测. 与现有的方法相比,这种方法在早期LC诊断方面提供了更高的准确性和效率.
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:
- 喉癌 (LC) 构成一个重大的全球健康挑战,生存率经常受到晚期诊断的阻碍.
- 目前用于LC的诊断工具面临的局限性包括早期检测的低准确性,高计算需求和大量的时间投资.
- 深度学习 (DL) 为准确的LC识别提供了有希望的进步.
研究的目的:
- 通过将混沌元启证与深度学习 (LCD-CMDL) 集成,开发一种高效的喉癌检测技术.
- 为了提高喉癌检测和分类的准确性和效率,使用喉区域图像.
主要方法:
- 在LCD-CMDL技术中,用于图像预处理,采用了对比度有限的自适应直方体平衡 (CLAHE).
- 功能提取是使用挤压激发ResNet (SE-ResNet) 模型进行的.
- 通过混沌自适应搜索算法 (CSSA) 实现了SE-ResNet的超参数优化,最终由极端学习机器 (ELM) 进行分类.
主要成果:
- 液晶-CMDL技术在检测和分类喉癌方面表现出卓越的性能.
- 在一个基准喉图像数据库上的实验结果表明,与现有的最先进方法相比,有了显著的改进.
- 该方法有效地解决了以前诊断工具的局限性,特别是在早期检测方面.
结论:
- 拟议的LCD-CMDL技术为喉癌的检测提供了一种高效和准确的方法.
- 这种人工智能驱动的方法有可能改善早期诊断率和喉癌护理中的患者结果.
- 进一步的研究可以探索这个集成的DL和元启发模型的更广泛的临床应用.
