基于内容的图像检索和图像分类系统,用于早期预测膀癌

科学领域:

• 医疗成像医学成像
• 在瘤学瘤学.
• 计算机科学 计算机科学

背景情况:

• 膀癌起源于膀内膜,可以转移.
• 早期发现膀癌对于有效治疗至关重要.
• 目前的诊断方法需要改进,以提高准确性.

研究的目的:

• 开发和评估基于内容的图像检索 (CBIR) 系统,用于检测膀癌.
• 为了比较不同特征提取和相似性测量技术的性能.
• 为了确定最优的组合方法,准确的膀癌图像分析.

主要方法:

• 开发了两个系统:一个用于分类,一个用于基于内容的图像检索 (CBIR).
• 在CBIR系统中,评估了五个卷积神经网络 (CNN),两个纹理特征提取方法和七个相似度指标.
• Densenet201被选为特征提取,而Cosine度量被选为相似性测量.

主要成果:

• 在CBIR系统中,Densenet201模型在特征提取方面表现出卓越的性能.
• 在测试的七个指标中,Cosine相似度指标被证明是最有效的.
• 开发的CBIR系统利用Densenet201和Cosine的相似性,实现了最高的成功率.

结论:

• 拟议的CBIR模型,整合了Densenet201和Cosine的相似性,对于膀癌的检测非常有效.
• 这种方法为通过医学图像分析提高早期膀癌诊断提供了一个有希望的工具.
• 基于内容的图像检索 (Content-Based Image Retrieval) 提供了一个有效的搜索和检索视觉上类似的医疗图像的机制.