肝癌诊断:增强的深度马克苏特模型与改进的功能集

科学领域:

• 医学成像分析 医学成像分析
• 计算病理学计算病理学
• 机器学习在瘤学中的应用

背景情况:

• 准确的肝癌分类对于有效的治疗计划至关重要.
• 现有的分类方法经常面临准确性和特异性的挑战.
• 开发用于肝癌检测的强大的自动化系统是一个正在进行的研究领域.

研究的目的:

• 为肝癌分类提出和评估一个先进的Deep Maxout模型.
• 将拟议模型的性能与各种已建立的机器学习算法进行比较.
• 证明拟议方案在提高诊断准确性的有效性.

主要方法:

• 使用高斯过的图像预处理.
• 用于图像分割的基于 LUV 转换的自适应值.
• 提取多种类型的特征,改善局部三角形模式 (LTP) 和GLCM特征.
• 使用改进的Deep Maxout模型进行分类.

主要成果:

• 改进的Deep Maxout模型实现了0.94.9的高F测量.
• 拟议的模型在F测量中表现优于支持向量机 (SVM),随机森林 (RF),循环神经网络 (RNN),长期短期记忆 (LSTM),K-最近邻居 (KNN),深度Maxout,卷积神经网络 (CNN) 和其他深度学习 (DL) 模型.
• 该模型显示了最小的假阳性率 (FPR) 和假阴性率 (FNR).

结论:

• 拟议的肝癌分类方案,特别是改进的Deep Maxout模型,提供了卓越的性能.
• 这种先进的模型为肝癌检测提供了更准确,更可靠的方法.
• 这些发现表明,在肝脏瘤学中开发增强的诊断工具是一个有希望的方向.