基于CT图像的肺病预测,使用REInf-net和基于世界杯优化的BI-LSTM分类
Padmini Sankaramurthy1, Renukadevi Palaniswamy1, Suseela Sellamuthu2
1Department of Computing Technologies, SRM Institute of Science and Technology, Kattankulathur, Chennai, India.
Network (Bristol, England)
|September 10, 2024
概括
这项研究引入了一种新的方法,用于从CT扫描中预测肺部疾病,使用REINF-net细分和Bi-LSTM分类. 这种方法显著提高了呼吸道疾病的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 呼吸系统疾病是全球残疾和死亡的主要原因之一.
- 目前的诊断方法,如CT扫描视觉评估,由于特异性低,在评估疾病严重程度和预测患者结果方面存在局限性.
研究的目的:
- 开发一种先进的模型,使用CT图像准确预测肺病和严重程度评估.
- 通过整合深度学习和图像处理技术来克服传统诊断方法的局限性.
主要方法:
- 肺部CT图像使用Lucy Richardson和CLAHE算法进行预处理以提高质量.
- 使用REINF-net进行肺部感染细分,然后使用灰色水平运行长度矩阵 (GLRLM) 进行特征提取.
- 使用世界杯优化 (WCO) 优化的一种Bi-LSTM分类模型,在提取的特征上进行了训练,用于疾病预测.
主要成果:
- 拟议的模型实现了高性能指标:97.8%的准确性,96.7%的精度,96.7%的回忆,92.2%的错误率和98.3%的特异性.
- 对现有方法进行了性能验证,证明了卓越的结果.
结论:
- 开发的REINF-net和WCO-BiLSTM分类模型在CT图像的肺部疾病预测方面取得了重大进展.
- 这种方法显示出在呼吸道疾病中更准确的诊断和预测结果的潜力.
