基于物联网的医疗保健系统使用分数虫优化使得乳腺癌分类的深度学习成为可能
Vaddadi Vasudha Rani1, G Vasavi2, P Mano Paul3
1Dept of Information Technology, GMR Institute of Technology, Rajam, Andhra Pradesh, India.
Computational biology and chemistry
|November 25, 2024
概括
这项研究引入了一种物联网 (IoT) 系统与SqueezeNet_Fractional Dung Beetle Optimization (Squeeze_FDBO) 进行精确的乳腺癌检测从组织病理图像,改善早期诊断.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 组织病理图像分析对于乳腺癌诊断和患者监测至关重要.
- 传统的分类方法面临准确性限制,影响早期检测和治疗.
- 需要先进的计算方法来提高乳腺癌分类的准确性.
研究的目的:
- 开发一种基于物联网 (IoT) 的新型医疗保健系统,用于乳腺癌检测.
- 为实现SqueezeNet_Fractional Dung Beetle Optimization (Squeeze_FDBO) 模型进行准确的分类.
- 在物联网医疗保健框架内优化图像路由和分类过程.
主要方法:
- 对物联网网络进行模拟,用于将组织病理图像路由到基站 (BS).
- 利用分数虫优化 (FDBO) 进行高效的图像路由.
- 实施由FDBO调整的SqueezeNet模型,在图像预处理 (双边过器) 和细分 (LadderNet) 后进行多级乳腺癌分类.
主要成果:
- 该Squeeze_FDBO模型实现了高性能指标:精度 (0.919),灵敏度 (0.913),特异性 (0.923),NPV (0.920) 和PPV (0.908).
- 通过低能耗 (0.405 J),距离 (6.901 m) 和延迟 (0.650 mS) 证明了优化的路由性能.
- 拟议的系统显著改善了传统的乳腺癌分类方法.
结论:
- 使用Squeeze_FDBO开发的基于物联网的医疗保健系统为准确和高效的乳腺癌检测提供了有前途的方法.
- 集成先进的优化和深度学习技术增强了医学成像诊断能力.
- 这个系统有可能提高早期检测率和乳腺癌管理中的患者结果.
