使用泰勒火优化启用深度学习方法对脑瘤进行细分和分类.
Ajit Kumar Rout1, Sumathi D2, Nandakumar S3
1Department of Information Technology, GMR Institute of Technology, Rajam, Andhra Pradesh, India.
Electromagnetic biology and medicine
|November 8, 2024
概括
这项研究介绍了泰勒火优化 (TFHO) 以改善脑瘤细分和分类. 这种新的方法提高了诊断的准确性,有助于及时有效地治疗患者.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大脑瘤是由细胞生长不规律引起的,需要早期诊断才能有效治疗.
- 传统的诊断模型在及时准确地检测和分类脑瘤方面面临着挑战.
- 准确的细分和分类对于制定实质性的治疗计划至关重要.
研究的目的:
- 实施一个优化的深度学习方法,以提高脑瘤的细分和分类.
- 引入泰勒火优化 (TFHO) 算法,以提高诊断准确度.
- 克服传统模型在识别和分类脑恶性瘤方面的局限性.
主要方法:
- 适应式中间波器用于图像降噪.
- 用TFHO进行训练的M-Net模型,用于图像分割.
- 图像增强和特征提取.
- 用TFHO训练的DenseNet分类器用于瘤分类.
主要成果:
- 在脑瘤分类中达到94.86%的准确性.
- 证明了高诊断性能,真实阳性率 (TPR) 为95.91%和F1得分为90.98%.
- 报告了低的虚假阴性率 (FNR) 为4.37%,正预测值 (PPV) 为89.33%.
结论:
- 使用TFHO增强的M-Net和DenseNet模型显著提高了脑瘤细分和分类准确度.
- 这种优化的方法为早期和精确诊断脑瘤提供了一个有希望的工具.
- 该方法的高性能指标表明,它有可能在神经瘤学中得到临床应用.
