一种混合EfficientNet-DbneAlexnet用于使用MRI图像检测脑瘤
Vasavi G1, Vaddadi Vasudha Rani2, Sreenu Ponnada3
1Department of CSE (Cyber Security), School of Engineering, Malla Reddy University, Hyderabad, India.
Computational biology and chemistry
|December 4, 2024
概括
这项研究介绍了EfficientNet-DbneAlexnet,这是一种使用增强磁共振图像 (MRI) 检测脑瘤 (BT) 的新方法. 这种方法在识别癌症瘤方面达到很高的准确性,提高了诊断能力.
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:
- 大脑瘤 (BTs) 由于快速异常细胞生长而构成重大健康风险.
- 形状,大小和位置的异质性使BT的识别变得复杂.
- 磁共振图像 (MRI) 对于检测恶性瘤至关重要.
研究的目的:
- 开发和评估一个先进的深度学习模型,用于准确检测脑瘤.
- 为了提高从MRI扫描脑瘤识别的效率和精度.
主要方法:
- 使用零碎线性转换 (PLT) 的图像增强技术被应用.
- 骨剥离是使用模糊局部信息C手段 (FLICM) 进行的.
- 瘤细分使用了投射性对抗网络 (PAN),然后通过EfficientNet-DbneAlexnet模型进行特征提取和检测.
主要成果:
- EfficientNet-DbneAlexnet模型的灵敏度为90.36%,准确度为92.77%,特异性为91.82%.
- 拟议的方法有效地检测大脑瘤从增强的MRI扫描.
结论:
- 开发的EfficientNet-DbneAlexnet模型为大脑瘤检测提供了一个有希望和准确的方法.
- 这种方法可以帮助提高使用MRI的脑瘤的诊断准确度.
