基于高效的不变特征中心增长分析的多模式对比域共享的生成对抗网络,改进了脑瘤分类
Amarendra Reddy Panyala1, Baskar Manickam2
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Bowrampet, Hyderabad, India.
Electromagnetic biology and medicine
|July 31, 2024
概括
这项研究引入了一个新的AI模型,MCDS-GNN-IBTC-CGA,用于准确的脑瘤分类. 这种新方法显著提高了鉴定质瘤,脑膜瘤和垂体瘤的准确性,相比现有技术.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的脑瘤分类至关重要,但目前的方法具有挑战性.
- 现有的技术经常使用通用特征,限制了分类性能.
- 需要先进的方法来提高脑瘤分类的准确性.
研究的目的:
- 提出一种新的多模态对比域共享生成对抗网络,以改善基于高效不变特征中心生长分析 (MCDS-GNN-IBTC-CGA) 的脑瘤分类.
- 为了提高分类脑瘤图像的准确性和效率,将其分为质瘤,脑膜瘤和垂体瘤类型.
- 在现有的脑瘤分类方法中解决通用特征提取的局限性.
主要方法:
- 使用Range-Doppler匹配波器 (RDMF) 进行图像预处理,以提高图像质量.
- 通过Ternary Pattern和离散波纹转换 (TPDWT) 来提取特征,专注于特定的图像特征.
- 使用多模式对比域共享生成对抗网络 (MCDS-GNN) 的分类,通过Coati优化算法 (COA) 进行优化.
主要成果:
- 拟议的MCDS-GNN-IBTC-CGA方法在与最先进的技术相比显示出更高的性能.
- 在精度,特异性,灵敏度,精度和F1得分方面取得了显著的改进.
- 通过显著的利率超过了PDCNN-BTC,AGCNN-BTC,DCRN-BTC,FCNN-BTC和CNN-MLP-BTC等表现较好的方法.
结论:
- MCDS-GNN-IBTC-CGA在自动脑瘤分类方面取得了重大进展.
- 整合RDMF,TPDWT,MCDS-GNN和COA为医学图像分析提供了一个强大的框架.
- 这种方法有望提高神经瘤学的诊断准确性和患者结果.
