使用多参数磁共振成像和格里森等级得分进行前列腺癌分类和解释,使用DarkNet53模型
Vasantha Pragasam Gladis Pushparathi1, Dhas Justin Xavier2, Pandian Chitra3
1Department of Computer Science and Engineering, Velammal Institute of Technology, Panchetti, Chennai, Tamil Nadu, India.
The Prostate
|November 25, 2024
概括
这项研究引入了使用DarkNet53模型的自动前列腺癌 (PCa) 分类系统,在MRI图像分析中实现了高精度. 这种新的方法提高了PCa检测的诊断性能.
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:
- 前列腺癌 (PCa) 是男性的重大全球健康问题,受遗传学,生活方式和年龄的影响.
- 目前的自动化PCa分类方法在过度拟合和泛化方面存在困难,这限制了其诊断准确度.
研究的目的:
- 从MRI图像中提出前列腺癌 (PCa) 的自动分类系统.
- 为了增强PCa检测,使用载体优化的DarkNet53分类器的混合加权平均值.
主要方法:
- 图像预处理包括非局部平均选和N4ITK偏差场校正.
- 积极的基于轮的细分确定了疾病区域,随后使用灰色水平运行长度矩阵和形状特征进行特征提取.
- 一个混合的DarkNet53模型,优化了向量的加权平均值,用于分类,Grad-CAM用于解释性.
主要成果:
- 拟议的模型实现了高性能指标:99.31%的准确性,98.24%的灵敏性和98.46%的特异性.
- 与最先进的算法进行比较,证明了DarkNet53分类器在该应用程序中的有效性.
结论:
- 开发的自动化系统显示出从MRI数据准确可靠的前列腺癌分类显著的希望.
- 混合DarkNet53模型提供了一个强大的解决方案,以克服现有的PCa诊断工具的局限性.
