基于深度学习模型和修改成长优化器的骨光学
Omnia Magdy1, Mohamed Abd Elaziz2,3,4, Abdelghani Dahou5,6
1Applied Mathematical Physics Research Group, Physics Department, Faculty of Science, Mansoura University, Mansoura, 35516, Egypt.
Scientific reports
|October 28, 2024
概括
这项研究引入了一种机器学习方法来分析骨扫描,改善了检测骨转移的方法. 新的方法GOAOA提高了医疗图像分析的准确性和效率.
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:
- 骨扫描对于检测骨转移至关重要,但手动分析耗时且需要专业知识.
- 目前的方法严重依赖于核医学医生的手动解释,导致潜在的延迟和压力.
研究的目的:
- 开发和评估用于自动化骨光学分析的机器学习技术.
- 用人工智能提高检测骨转移的效率和准确性.
主要方法:
- 提出了一种两相机器学习模型:使用移动视觉变压器 (MobileViT) 进行特征提取,并使用GOAOA算法 (改进增长优化器的算术优化算法) 进行特征选择.
- 在18个UCI数据集和2800个骨扫描图像 (1400个正常,1400个异常) 的现实数据集上验证了GOAOA模型.
主要成果:
- 拟议的GOAOA算法在研究中的其他特征选择算法相比显示出更高的性能.
- 统计分析证实了GOAOA技术在检测骨转移方面的有效性.
结论:
- 开发的机器学习方法,集成MobileViT和GOAOA,为骨光学分析提供了高效和准确的解决方案.
- 这种自动化方法在癌症诊断和管理中具有重大潜力,可用于现实世界的临床应用.


