优化卷积神经网络 (CNN) 和人工神经网络 (ANN) 的拓,通过MRI进行脑瘤诊断 (BTD)

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 用于诊断的机器视觉.

背景情况:

• 深度学习 (DL) 方法,包括人工神经网络 (ANN) 和深度神经网络 (DNN),已经推进了贝叶斯树下降 (BTD) 和瘤检测.
• 现有的BTD的DL模型通常在结构上缺乏保证的最佳性,这表明了提高效率的潜力.

研究的目的:

• 为贝叶斯树下降 (BTD) 引入一种用于优化卷积神经网络 (CNN) 和人工神经网络 (ANN) 配置的新方法.
• 为了提高脑MRI分析的准确性和效率,用于瘤检测.

主要方法:

• 利用CNN进行大脑MRI细分.
• 使用遗传算法 (GA) 调整CNN和ANN模型的可配置超参数.
• 应用多线性主要组件分析 (MPCA) 用于特征维度缩小.
• 使用ANN执行最后的细分,GA优化隐藏层神经元和重量向量.

主要成果:

• 提出的方法在BRATS2014和BTD20数据库上实现了高分类准确性 (分别为98.6%和99.1%).
• 与之前的方法相比,证明了至少1.1%的精度提高.
• 成功优化了ANN和CNN配置,以改进BTD分析.

结论:

• 新的GA优化DL方法显著提高了脑瘤检测和从MRI数据分类的准确性.
• 与BTD现有的DL技术相比,该方法提供了更有效和最优的模型结构.
• 这项研究为应用人工智能在瘤学中的医学图像分析提供了宝贵的进步.