基于EGDP的特征提取和深度卷积信念网络用于使用MRI图像检测脑瘤
Loganayagi T1, Pooja Panapana2, Ganji Ramanjaiah3
1Department of Electronics and Communication Engineering, Paavai Engineering College, Namakkal, India.
概括
这项研究引入了一种新的深度学习框架,用于使用MRI扫描检测脑瘤 (BT). 开发的深层卷积信念网络 (DCvB-Net) 在从医学图像中识别脑瘤方面取得了很高的准确性.
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:
- 通过MRI检测脑瘤 (BT) 对于及时诊断和治疗至关重要.
- 现有的方法可能会面临噪音,工件和准确细分的挑战.
- 深度学习为改进自动化BT检测提供了潜力.
研究的目的:
- 开发和评估一种新的深度学习框架,用于基于MRI的脑瘤检测.
- 提高自动脑瘤识别的准确性和可靠性.
- 引入一种新的网络架构,结合深层卷积神经网络和深层信念网络.
主要方法:
- 利用了一组脑部MRI图像的数据集.
- 应用中间波器来消除噪音和工件.
- 使用RP-Net进行脑瘤区域细分.
- 实施图像增强技术 (旋转,翻转,移动,颜色增强) 以防止过度拟合.
- 使用灰级共发生矩阵 (GLCM) 和基于的新型灰差异概率 (EGDP) 提取的特征.
- 开发并应用了深层卷积信念网络 (DCvB-Net) 来最终检测脑瘤.
主要成果:
- 拟议的DCvB-Net实现了93%的真负率,92.3%的准确率和93.1%的真正率.
- 该框架证明了有效的降噪和精确的瘤细分.
- 包括EGDP在内的特征提取方法有助于强大的检测.
结论:
- 新的深度学习框架DCvB-Net显示出对基于MRI的精确和可靠的大脑瘤检测的重大前景.
- 预处理,细分,特征提取和混合深度网络的综合方法是有效的.
- 这项研究为放射科医生和瘤学家在诊断脑瘤方面提供了有价值的工具.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
