在超声波图像中对甲状腺结节分类的SPGAN优化由PiranhaForaging优化
Siddalingesh Bandi1, Ravikumar K P2, Manjunatha Reddy H S1
1Department of Electronics and Communication Engineering, Global academy of Technology, Bengaluru, Karnataka, India.
Ultrasonic imaging
|September 11, 2024
概括
这项研究引入了一种新的方法,用于在超声图像中对甲状腺结节进行分类,使用由Piranha Foraging Optimization优化的语义保存生成对抗网络. 与现有技术相比,提出的方法显著提高了分类准确性,并降低了错误率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 甲状腺结节需要准确的分类才能进行有效的诊断和治疗.
- 超声波图像中甲状腺结节分类的现有方法经常面临噪音和特征提取方面的挑战.
- 生成对抗网络 (GAN) 是有前途的,但需要优化以获得强大的性能.
研究的目的:
- 提出一种新的语义保存生成对抗网络,该网络是通过Piranha Foraging Optimization对超声波图像中的甲状腺结节分类进行优化 (SPGAN-PFO-TNC-UI) 的优化.
- 使用先进的AI技术,提高甲状腺结节分类的准确性和可靠性.
- 为了降低错误率并提高区分良性和恶性结节的精度.
主要方法:
- 超声波图像使用多窗口萨维茨基-戈莱波器 (MWSGF) 进行预处理,以减少噪声.
- 兴趣区域 (ROI) 细分使用通用直觉模糊C-Means集群 (GIFCMC) 进行.
- 使用完全数值拉普拉斯变换 (FNLT) 进行特征提取,然后通过Piranha Foraging Optimization (PFO) 优化的SPGAN进行分类.
主要成果:
- 与TD-DL-HMH-LSTM,QCNN-OTNC,CTN-FRL-DNN和ACUTI-VT-GAN相比,SPGAN-PFO-TNC-UI方法在精度和错误率降低方面表现出了卓越的性能.
- 在精度方面取得了显著的改进 (例如,比一种方法高30.54%) 和错误率的降低 (例如,比另一种方法低26.97%).
- 评估指标包括F-score,准确性,错误率,精度,灵敏度,特异性,ROC和计算时间.
结论:
- 拟议的SPGAN-PFO-TNC-UI方法在超声波图像上的甲状腺结节自动分类方面取得了重大进展.
- 整合Piranha Foraging Optimization有效地提高了语义保存生成对抗网络的分类能力.
- 这种方法有可能提高诊断准确度和甲状腺癌检测患者的结果.
