基于人工智能对CT图像的分类使用混合脊柱ZFNet
Faiqa Maqsood1, Wang Zhenfei1, Muhammad Mumtaz Ali1
1School of Computer and Artificial Intelligence, Zhengzhou University, Zhengzhou, 450001, China.
Interdisciplinary sciences, computational life sciences
|August 21, 2024
概括
一个新的混合深度学习模型,SpinalZFNet,准确地从CT图像中分类脏疾病. 这种方法结合了脊髓网络和Zeiler Fergus网络,提高了准确性并降低了计算成本,以便更好地诊断脏疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 腎臟病學 (nephrology) 是一種醫學專業.
背景情况:
- 脏疾病,包括慢性脏病和功能衰竭,由饮食和医疗状况等各种因素引起.
- 准确及时诊断脏疾病至关重要,并从整合患者数据与计算机断层扫描 (CT) 图像中获益.
- 深度神经网络 (DNN) 在医疗任务中提供了高精度,但在实时应用中面临着计算挑战.
研究的目的:
- 介绍SpinalZFNet,一种新的混合深度学习模型,用于使用CT图像准确地分类病.
- 为了增强特征分析和减少病检测中的计算开销.
- 将脏疾病分为正常,瘤,囊和结石类别.
主要方法:
- 用中位过器预处理CT图像,并使用高效神经网络 (ENet) 分段.
- 在预处理的CT图像上进行了图像增强和特征提取.
- 拟议的 SpinalZFNet 模型,将 Spinal 网络和 Zeiler Fergus 网络整合起来,用于分类.
主要成果:
- 脊柱ZFNet实现了高性能指标:99.9%的灵敏度,99.5%的特异性,99.6%的精度,99.8%的准确性和99.7%的F1-Score.
- 与其他评估模型相比,混合动力模型表现出优越的性能.
- 这种方法有效地减少了计算开销,同时保持了高分类准确度.
结论:
- 脊柱ZFNet提供了一种高度准确和计算高效的方法,用于从CT图像中分类脏疾病.
- 集成的SpinalNet和ZFNet架构提供了增强的功能提取,以提高诊断能力.
- 这种深度学习方法具有很大的潜力,可以及时和准确地诊断各种脏疾病.
