一个优化的罗神经网络与深线性图表注意力模型用于妇科腹部骨盆质量分类
Shaik Khasim Saheb1, Devavarapu Sreenivasarao2
1Sreenidhi Institute of Science and Technology, Hyderabad, India. khasim.s@sreenidhi.edu.in.
Abdominal radiology (New York)
|October 24, 2024
概括
一个新的罗圈灵感的神经网络 (SCINN-DLGN) 模型准确地从MRI扫描中分类骨盆质量. 这种人工智能方法达到99.9%的准确性,改善了对潜在的卵巢癌的早期检测.
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:
- 附质量需要准确的分类,以便及时检测和治疗卵巢癌.
- 目前用于骨盆质量识别的深度学习方法缺乏足够的准确性和效率.
- 现有模型的计算强度阻碍了临床应用.
研究的目的:
- 引入一个优化的罗圈灵感的神经网络与深线性图表注意力 (SCINN-DLGN) 盆腔质量分类.
- 为了提高分类盆腔质量成良性,恶性和健康类别的准确性和效率.
- 为临床分拣和转诊提供计算效率高的深度学习解决方案.
主要方法:
- 实时MRI盆腔质量图像的预处理,使用语义意识结构维护中间形态过.
- 使用基于EfficientNet的U-Net框架对感兴趣地区 (ROI) 的细分.
- 通过深度集群算法通过SCINN-DLGN模型提取的几何特征的分类.
主要成果:
- 在SCINN-DLGN模型实现了99.9%的准确性和99.8%的回忆在分类盆腔质量.
- 与用于骨盆体质检测的现有深度学习方法相比,证明了更高的效率.
- 该系统有效地从细分ROI中提取和分类几何特征.
结论:
- 该SCINN-DLGN模型提供了一个高度准确和高效的解决方案,用于从MRI数据的盆腔质量分类.
- 这一进步具有显著的潜力,可以改善早期检测和治疗卵巢癌.
- 拟议的方法代表了人工智能驱动的医疗图像分析在妇科疾病的显著进步.
