通过改进的SegNet和深层堆叠组合模型的计算机辅助肝癌诊断

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:

• 由于传统成像技术的局限性,肝癌的诊断往往会延迟.
• 当前的计算机辅助诊断系统面临着图像噪声,解剖学复杂性和功能集成的挑战,影响准确性.
• 迫切需要改进的方法来提高早期肝癌检测和诊断准确度.

研究的目的:

• 通过SqueezeNet (SgN-LCC-SqN) 模型提出基于SegNet的新型肝癌分类,用于准确的肝癌细分和分类.
• 通过有效减少噪音和整合复杂功能来解决现有系统的局限性.
• 提高肝癌诊断的效率和准确性,帮助临床医生做出决策.

主要方法:

• 使用二次平均估计威纳波器 (QMEWF) 预处理以减少图像噪声.
• 使用增强特征金字塔SegNet (EFP-SgN) 的肝病变细分.
• 特性提取包括颜色,局部定向模式变异,以及相关性过-局部梯度增大模式 (CF-LGIP).
• 使用集成模型进行分类,深度卷积,反复,长期短期内存与SqueezeNet (DCR-LSTM-SqN),包括DCNN,RNN,LSTM和MLF-SqN.

主要成果:

• 拟议的DCR-LSTM-SqN模型实现了卓越的准确性,在不同的训练数据百分比中,结果从0.947到0.984不等.
• 该模型有效地细分了肝病变,并准确地分类了癌症区域.
• 性能评估表明,与传统的诊断方法相比,它始终优越.

结论:

• SgN-LCC-SqN模型通过提高细分和分类准确性,在肝癌诊断方面取得了重大进展.
• 开发的整体模型有效地整合了各种特征,并克服了医疗图像分析中的常见挑战.
• 这项研究为临床医生提供了宝贵的工具,提高了肝癌检测和诊断的效率和可靠性.