使用CNN与动态因子和流动策略基于特征选择的CNN检测下大脑下出血
Jewel Sengupta1, Robertas Alzbutas1,2, Tomas Iešmantas1
1Department of Mathematics and Natural Sciences, Kaunas University of Technology, K. Donelaičio st. 73, 44249 Kaunas, Lithuania.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
这项研究引入了DWSCSO和PRSCNN,用于在NCCT图像中准确检测下大脑下出血 (SAH). 这种新的方法显著提高了分类准确性,减少了假阳性和假阴性,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 副arachnoid出血 (SAH) 呈现出高死亡率,需要快速和准确的检测.
- 在SAH检测的挑战包括杂的CT图像,有限的数据,和模型训练问题,如过拟合和消失的梯度.
研究的目的:
- 开发一个自动化系统,以加快和改进SAH的检测和分类.
- 通过提高特征选择和分类准确度来解决现有方法的局限性.
主要方法:
- 一个新的DWSCSO (水波动态因素和基于流浪策略的沙猫群优化) 被用于最佳特征选择.
- 为SAH分级开发了一个PRSCNN (具有堆叠卷积神经网络的参数修正线性单元).
- 使用了不断增长的区域细分和从预先训练的模型 (GoogleNet,VGG-16,ResNet50) 中提取特征.
主要成果:
- 在SAH检测中,DWSCSO-PRSCNN模型实现了99.48%的最大精度.
- 与现有方法相比,该模型在CT数据集上显示了99.62%的改进精度.
- 这种方法有效地减少了SAH分类中的假阳性和假阴性.
结论:
- DWSCSO-PRSCNN模型为SAH检测提供了一个强大的解决方案,克服了诸如过拟合和消失梯度等挑战.
- 开发的方法增强了特征选择和分类,对于临床SAH检测至关重要.
- DWSCSO-PRSCNN的复杂性被认为是可以接受的,它比更简单的方法提供了更高的性能.
