快速多层次细分与Denoising模型与脆弱的相关特征子集用于脑瘤分类
Putta Rama Krishnaveni1, M Suman1
1ECE Department, KLEF Green fields, Vaddeswaram 522502, Guntur, Andhra Pradesh, India.
Current medical imaging
|August 23, 2024
概括
这项研究引入了一种新的模型,用于使用磁共振成像 (MRI) 增强大脑瘤检测. 拟议的方法在图像细分和特征选择方面实现了高精度,用于精确的瘤分类.
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:
- 准确的脑瘤分类对于患者的预后和治疗计划至关重要.
- 大脑瘤的特点是异常的细胞增殖,根据生长速度进行分类 (良性/恶性).
- 鉴定脑瘤可能是具有挑战性的,因为瘤细胞的独特性质.
研究的目的:
- 加强脑瘤细胞的识别和使用磁共振成像 (MRI) 分析功能结构.
- 通过先进的图像处理技术,提高对脑瘤等关键疾病的诊断准确度.
- 开发一种有效的图像染方法,同时保持关键的边界细节.
主要方法:
- 提出了一个具有脆弱相关特征子集 (PMLSD-FCFS) 的快速多级分段否定模型.
- 该模型可以精确地消除MRI图像的阴影.
- 应用特征维度减小来提取最相关的特征,以改善大脑瘤预测.
主要成果:
- 拟议的PMLSD-FCFS模型在多级图像分割中实现了98.2%的准确性.
- 该模型在脆弱相关特征子集生成中获得了98.4%的准确性.
- 该模型在消除噪音和提高分类准确性方面表现优于传统算法.
结论:
- 开发的模型有效地消除了MRI图像中的噪音.
- 通过专注于最相关的特征,该模型显著提高了脑瘤检测准确度.
- 这些发现表明,在自动化脑瘤分类方面取得了有前途的进展.
