相关实验视频
Updated: Jun 3, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
367
一个混合框架用于结直肠癌检测和U-Net细分使用多网DWTCADxx
Akella S Narasimha Raju1, K Venkatesh2, Makineedi Rajababu3
1Department of Computer Science and Engineering (Data Science), Institute of Aeronautical Engineering, Dundigal, Hyderabad, 500043, Telangana, India. akella.raju@gmail.com.
Scientific reports
|January 5, 2025
概括
聚网DWTCADx是一种混合模型,结合了卷积神经网络 (CNN),离散波形变形 (DWT) 和支持矢量机器 (SVM),可以准确地区分结直肠癌. 该模型实现了92.3%的测试准确性,有助于早期检测和治疗计划.
科学领域:
- 医疗成像医学成像
- 计算病理学计算病理学
- 在瘤学中使用人工智能
背景情况:
- 结肠直肠癌 (CRC) 诊断依赖于癌症病变的准确识别和细分.
- 现有的方法在实现分类和细分任务的高精度方面可能面临挑战.
- 需要先进的计算模型来提高诊断的准确性和效率.
研究的目的:
- 开发和评估一种混合模型,PolynetDWTCADx,用于准确识别和分类结直肠癌.
- 评估整合卷积神经网络 (CNN),离散波形变换 (DWT) 和支向量机 (SVM) 的有效性,以增强特征提取和分类.
- 评估U-Net架构用于癌症结直肠区域的语义细分的性能.
主要方法:
- 一个混合模型,PolynetDWTCADx,是通过结合CNN,DWT和SVM来开发的.
- 用DWT来优化和增强两个集成的CNN模型.
- 使用SVM进行分类,使用U-Net架构进行语义细分.
主要成果:
- 波利网DWTCADx的测试准确率达到92.3%,训练准确率达到95.0%.
- 该模型显示了适度的回忆和高的曲线下面面积 (AUC).
- 在对恶性结直肠组织进行细分方面,U-Net获得了0.93的最大交叉与联盟 (IoU) 评分.
结论:
- 波利尼特DWTCADx模型有效地区分了非癌症和癌症结肠病变.
- 整合DWT,CNN,SVM和U-Net,为诊断和治疗规划提供了重要的详细视觉信息.
- 波利尼特DWTCADx显示了显著的潜力,以提高对结直肠癌的识别和管理.
