在X射线图像上使用深度学习进行自动骨癌检测
Sasanka Sekhar Dalai1, Bharat Jyoti Ranjan Sahu1, Jyotirmayee Rautaray1
1Department of Computer Science and Engineering, Siksha 'O' Anusandhan (deemed to Be University), Bhubaneswar, India.
Surgical innovation
|December 16, 2024
概括
这项研究引入了使用X射线图像的深度学习来检测骨癌的自动化系统. 金色搜索优化与深度学习支持的骨癌分类计算机辅助诊断 (GSODL-CADBCC) 实现了高准确性,降低了误诊风险.
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:
- 骨癌诊断依赖于医学成像,但面临诸如高成本,时间消耗和潜在的误诊等挑战.
- 自动化系统对于精确和高效的骨癌检测至关重要,以帮助医生.
- 深度学习在增强癌症分类医疗图像分析方面表现有前途.
研究的目的:
- 开发和评估一种自动化系统,用于将骨X射线图像分类为健康或癌症.
- 使用人工智能提高骨癌诊断的准确性和效率.
- 为了减少人类劳动力,并尽量减少骨癌查中的诊断错误.
主要方法:
- 开发了一种新的金色搜索优化以及深度学习支持的骨癌分类计算机辅助诊断 (GSODL-CADBCC) 方法.
- 该技术使用双边过来降低噪音,SqueezeNet用于特征提取,以及Golden Search Optimization (GSO)用于超参数选择.
- 分类是使用改进的子搜索与长期短期记忆 (LSTM) 模型进行的.
主要成果:
- 在培训数据集上,GSODL-CADBCC方法实现了95.52%的平均准确性.
- 该系统在未见的X射线图像上显示了94.79%的测试准确性.
- 自动化方法显著减少了手动解释的需求和诊断错误的风险.
结论:
- 开发的GSODL-CADBCC系统为使用X射线图像进行骨癌查提供了精确和自动化的解决方案.
- 这种人工智能驱动的方法提高了诊断准确性和有效性,可以识别癌症骨.
- 这项研究强调了深度学习和优化算法的潜力,用于对危及生命的疾病进行医学图像分析.
