使用转移学习与卷积神经网络的多模式融合图像中文物的分类
Shehanaz Shaik1, Sitaramanjaneya Reddy Guntur2
1Department of Electronics and Communication Engineering, Vignan's Foundation for Science, Technology, and Research, Guntur, Andhra Pradesh, 522213, India.
Current medical imaging
|November 26, 2024
概括
这项研究引入了一种深度学习方法,用于检测合并的MRI-SPECT脑图像中的文物和噪音. 丹塞网169模型在识别各种噪音类型方面表现出卓越的准确性,提高了诊断可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 多模式医学图像融合对于诊断和治疗规划至关重要.
- 融合中的挑战包括模式差异,转换和信息映射.
- 在融合图像中检测文物是复杂的,影响诊断准确性.
研究的目的:
- 在合并的MRI-SPECT脑图像中识别和分类噪音和文物.
- 通过深度学习来评估融合技术的稳定性.
- 为了比较不同卷积神经网络 (CNN) 模型用于文物检测的性能.
主要方法:
- 通过使用三个预训练CNN模型进行转移学习:ResNet50,DenseNet169和InceptionV3.
- 训练模型检测工件和各种噪音 (高斯式,光斑式,随机式,混合式) 在合并的MRI-SPECT数据集中.
- 使用五重分层交叉验证 (SCV) 进行绩效评估.
主要成果:
- 在噪音类型中,DenseNet 169实现了最高的平均精度:93.8% (高斯式),98% (光斑式),97.8% (随机式) 和93.8% (混合式).
- InceptionV3显示出具有竞争力的结果,而ResNet50的准确性较低.
- 与其他模型相比,DenseNet 169表现出优越的性能.
结论:
- 预训练的DenseNet 169模型在合的MRI-SPECT脑图像中检测噪音和文物方面非常有效.
- 深度学习,特别是CNN,为提高多式联接图像融合的可靠性提供了强大的解决方案.
- 这种方法可以提高临床诊断和治疗规划的准确性.
