克鲁斯卡尔·谢克雷斯 (Kruskal Szekeres) 生成式对抗网络增强深度自编码器用于结肠直肠癌检测
Suresh Kumar Krishnamoorthy1, Vanitha Cn2
1Computer Science and Engineering, Kongu Engineering College, Erode, India.
Network (Bristol, England)
|November 17, 2024
概括
一个新的深度学习模型,克鲁斯卡尔·塞克雷斯生成对抗网络增强深度自编码器 (KSGANA-DA),增强了早期结直肠癌的检测. 与传统方法相比,这种AI方法显著提高了诊断准确度,并减少了处理时间.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 深度学习用于癌症检测
背景情况:
- 结肠直肠癌通常是在晚期被诊断出来的,这使得治疗和治愈变得复杂.
- 当前的诊断方法在早期检测准确性和效率方面面临挑战.
- 深度学习在医学图像分析和诊断能力方面提供了有希望的进步.
研究的目的:
- 引入Kruskal Szekeres生成对抗网络增强深度自编码器 (KSGANA-DA) 以改进早期结直肠癌检测.
- 通过先进的数据增强技术,增强培训数据集的多样性.
- 提高医疗图像中早期边界检测的精度和回忆.
主要方法:
- KSGANA-DA模型采用两阶段的方法来早期检测结直肠癌.
- 第一阶段涉及使用Affine Transform (随机水平旋转) 和Kruskal-Szekeres几何转换来增强数据集多样性的数据增强.
- 第二阶段使用深度自动编码器与基于解剖学地标的图像分割来保存边缘像素的空间信息.
主要成果:
- 与传统方法相比,KSGANA-DA模型的精度增加了41%,回忆率增加了7%.
- 该模型实现了46%的培训时间缩短.
- 实验验证证证实了KSGANA-DA在早期结直肠癌检测中的卓越性能.
结论:
- KSGANA-DA代表了人工智能驱动的早期结直肠癌检测的重大进展.
- 该模型的数据增强和细分策略有效地提高了诊断性能.
- 这种方法有可能实现更早,更准确的诊断,从而改善患者的治疗结果.
