脑瘤的分类和像素变化检测使用Adam Kookaburra基于优化的Shepard卷积神经网络

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 计算神经科学是一种神经科学.
• 在瘤学瘤学.

背景情况:

• 大脑瘤需要早期检测,以改善患者的生存率.
• 准确识别瘤区域和分类是具有挑战性的,因为大小,形状和外观的变化.
• 磁共振成像 (MRI) 对于诊断神经疾病,包括脑瘤至关重要.

研究的目的:

• 开发一种高效准确的脑瘤分类和像素变化检测方法.
• 引入一种新的优化算法,以提高医学图像分析中的深度学习模型的性能.
• 通过先进的计算技术,提高脑瘤的诊断能力.

主要方法:

• 基于Adam kookaburra优化 (AKO) 的Shepard CNN (ShCNN) 的开发,用于分类和像素变化检测.
• 将kookaburra优化算法 (KOA) 与Adam优化器集成,以创建AKO.
• 使用U-Net++进行MRI扫描的预处理和细分,由皮边境牛仔火优化算法 (BBCFO) 调整.

主要成果:

• 基于AKO的ShCNN在BITE (Brain Images of Tumors for Evaluation) 数据库上实现了高性能指标.
• 获得的准确率为93.78%,真正比率 (TPR) 为93.60%,真负比率 (TNR) 为92.26%,正预测值 (PPV) 为89.91%.
• 与传统的优化算法相比,AKO表现出更快的融合和更高的分类准确性.

结论:

• 拟议的基于AKO的ShCNN对于脑瘤分类和像素变化检测是有效的.
• 新的优化策略显著提高了医学图像分析中的深度学习模型的性能.
• 这种方法有望改善脑瘤的早期诊断和治疗监测.