一个基于密度的MS疾病诊断模型,使用子搜索算法和深度神经网络的集合
LiJuan Bai1, Jiao Wu1, Li Chen2
1Department of Neurology, The People's Hospital of Liaoning Province, Shenyang, 110016, Liaoning, China.
Scientific reports
|December 31, 2024
概括
这项研究引入了一种新的深度学习方法,用于使用MRI扫描来诊断多发性硬化症 (MS). 该方法实现了100%的精度和99.51%的准确性,大大改善了MS诊断.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 多发性硬化症 (MS) 是一种致残的神经系统疾病,导致永久性脑细胞破坏.
- 多发性硬化严重影响患者的视力,平衡,肌肉控制和日常生活.
- 准确和早期诊断MS对于有效的管理至关重要.
研究的目的:
- 利用深度神经网络和优化技术开发和评估一种用于多发性硬化症 (MS) 的新型诊断方法.
- 通过先进的图像分析和机器学习,提高MS诊断的准确性和精度.
- 利用磁共振成像 (MRI) 来自动和可靠地检测MS.
主要方法:
- 利用深度神经网络与MS诊断的优化算法相结合.
- 采用模糊c-means (FCM) 和卡普奇人搜索算法 (CapSA) 来进行图像细分和兴趣区域 (ROI) 识别.
- 使用局部二进制模式 (LBP),多线性主要组件分析 (MPCA) 和灰色级共发生矩阵 (GLCM) 提取特征,使用CapSA优化神经网络.
主要成果:
- 在MS诊断中实现了100%的准确性,超过了比较方法.
- 显示平均准确率为99.51%,表明高诊断性能.
- CapSA算法有效优化了深度神经网络拓和权重,最大限度地降低了训练错误.
结论:
- 建议的深度神经网络和优化技术的加权组合为MS诊断提供了一种高度有效的方法.
- 这种人工智能驱动的方法显示了提高神经疾病检测的准确性和效率的巨大潜力.
- 这项研究强调了先进机器学习在医疗图像分析中的成功应用,用于MS等关键诊断.
