基于MRI的增强脑瘤细分和特征提取,使用伯克利波波变换和ETCCNNN的特征提取
Dilip Kumar Gokapay1, Sachi Nandan Mohanty1
1School of Computer Science & Engineering (SCOPE), VIT-AP University, Amaravati, Andhra Pradesh, India.
Digital health
|December 19, 2024
概括
这项研究引入了一个深度学习模型,用于使用MRI图像准确检测脑瘤. 这种高效的双通道卷积神经网络在识别脑瘤方面实现了98.8%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 大脑瘤是异常生长,需要早期检测才能有效治疗.
- 磁共振成像 (MRI) 对于诊断和分类脑瘤至关重要.
- 及时检测脑瘤对于预防严重进展或死亡至关重要.
研究的目的:
- 开发一种高效的深度学习分类器,用于准确检测脑瘤.
- 将脑瘤分为包括脑膜瘤,脑瘤,脑垂体和非瘤在内的类别.
- 用先进的计算方法提高脑瘤的早期检测率.
主要方法:
- 一个高效的双通道卷积神经网络 (CNN) 设计用于脑瘤分类.
- 图像增强,形态运算和伯克利波形变换被用于预处理和细分.
- 增强的伺服优化算法优化了深度神经网络在MATLAB中的增益参数.
主要成果:
- 拟议的深度学习模型实现了大脑瘤的高检测准确率98.8%.
- 评估了性能指标,包括准确性,F测量,kappa,精度,灵敏度和特异性.
- 该模型在分类和检测脑瘤方面表现出卓越的性能.
结论:
- 开发的深度学习策略显示了大脑瘤检测的有希望的结果.
- 这项研究强调了医疗图像分析中双通道CNN方法的有效性.
- 这些发现表明,自动化脑瘤诊断工具取得了重大进展.
