通过使用新型高效的深度学习方法,在脑瘤中推进多类分类和细分

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 大脑瘤,异常细胞生长,需要早期检测,以改善患者的预后.
• 目前用于脑瘤的磁共振成像 (MRI) 分析方法是耗时的,由于瘤的变异性,缺乏准确性.
• 现有的分类方法与大脑瘤的不同大小,形状和位置作斗争.

研究的目的:

• 开发一种高效的基于深度学习的方法,用于准确的脑瘤分类和细分.
• 将脑瘤分为类型:垂体,质瘤,脑膜瘤,并确定没有瘤的情况.
• 与现有方法相比,提高脑瘤分析的速度和精度.

主要方法:

• 引入了ERSACA-Net (扩展残留结构和适应性道注意力机制) 用于脑瘤分类.
• 使用Enhanced Res2Net从脑MRI扫描中提取关键特征 (形状,纹理,颜色).
• 采用二进制混沌暂时搜索优化 (BCTSO) 算法来进行特征选择和复杂性降低.
• 开发了一种新的LWIFCM_CSA方法 (局部信息加权的直观模糊C-means集群算法和驼群算法) 用于细分.
• 使用条件表式生成对抗网络 (CTGAN) 解决了类不平衡问题.

主要成果:

• 拟议的ERSACA-Net在分类脑瘤类型 (下垂体,质瘤,脑膜瘤,没有瘤) 中表现出卓越的准确性.
• 通过LWIFCM_CSA方法,改善了受影响大脑区域的细分.
• 实现了显著更快的处理时间,平均为0.11秒,超过了以前的方法.
• 整体方法在准确度上显示了稳定的改善,这表明可靠的脑瘤分类的强大性能.

结论:

• 开发的深度学习模型 (ERSACA-Net) 和细分方法 (LWIFCM_CSA) 为脑瘤诊断提供了更精确,更有效的解决方案.
• 增强的特征提取和优化技术有助于提高分类准确性和降低计算复杂性.
• 这项研究为在脑瘤检测和分析方面更可靠,更快速的临床应用铺平了道路.