基于混合深度学习的中风检测,使用CT图像与物联网环境中的路由
Anchana Balakrishnannair Sreekumari1, Arul Teen Yesudasan Paulsy2
1Department of Computer Science and Engineering, Ponjesly College of Engineering, Nagercoil, India.
Network (Bristol, England)
|February 2, 2025
概括
一个新的Jaccard-Residual SqueezeNet模型准确地检测CT扫描中的中风,整合物联网 (IoT) 以实现高效的数据路由. 这种方法增强了早期中风诊断和病变识别.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 物联网的物联网,就是物联网.
背景情况:
- 脑卒中是一个主要的全球健康问题,需要早期诊断才能获得更好的结果.
- 计算机断层扫描 (CT) 对于中风诊断至关重要,但病变细分具有挑战性.
- 通过CT图像进行准确和早期的中风检测对于患者的护理至关重要.
研究的目的:
- 提出一个新的Jaccard-Residual SqueezeNet模型,用于从CT图像中预测中风.
- 整合物联网 (IoT) 以在中风检测中有效处理数据.
- 为了提高中风病变识别的准确性和效率.
主要方法:
- 大脑CT图像使用中间波器进行预处理.
- 使用ENet进行了头骨细分,随后进行了特征提取.
- 通过使用拟议的Jaccard-Residual SqueezeNet模型实现了中风检测,并与物联网集成以及 Fractional Jellyfish Search Pelican Optimization Algorithm (FJSPOA) 进行路由.
主要成果:
- 杰卡德-残留挤压网实现了高性能指标:0.902准确度,0.896灵敏度,0.916精度和0.906F1-score.
- 通过72.172 Mbps的吞吐量,0.580 J的能耗,22.243 m的距离,0.915的信任度和0.083 S的延迟,证明了有效的路由.
- 该模型在中风检测方面被证明是强大而高效的.
结论:
- 杰卡德-残留挤压网为CT成像中精确的中风检测提供了一个强大的工具.
- 物联网的整合提高了中风检测系统的效率.
- 这种方法具有改善临床中风诊断和管理的巨大潜力.
