在LGE-CMR图像中的痕组织的细分和严重程度分类使用HDResC-Net与Flamingo gannet搜索优化
1Department of ECE, Easwari Engineering College, Ramapuram, Chennai, Tamilnadu 603201 India.
Health information science and systems
|February 21, 2025
概括
这项研究引入了一个新的AI模型,FGSO-HDResC-Net,用于在心脏MRI扫描中精确地分类痕组织严重程度. 该模型显著提高了准确性,有助于更好地诊断和治疗心脏病患者.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 晚期加多增强心磁共振 (LGE-CMR) 成像对于评估心脏痕组织至关重要,这会影响患者的预后和治疗.
- 由于复杂的组织特征和成像工件,LGE-CMR图像中痕组织的准确细分和严重性评估具有挑战性.
- 目前的方法往往缺乏广泛临床应用所需的精度和稳定性.
研究的目的:
- 在LGE-CMR图像中开发和验证一种用于精确痕组织细分和严重程度分类的新方法.
- 引入Flamingo Gannet搜索优化启用混合深余卷积网络 (FGSO-HDResC-Net) 进行增强的心脏痕评估.
- 提高LGE-CMR分析的临床适用性,以更好地管理心脏病.
主要方法:
- 使用适应性Gabor Kuwahara波器进行LGE-CMR图像的预处理.
- 集成最佳细分算法 (OSA) 用于痕细分和基于区域的卷积神经网络用于心肌细分.
- 实施FGSO-HDResC-Net用于特征提取 (定位,纹理,空间/时间) 和严重性分类,通过Flamingo Gannet搜索优化进行超参数优化.
主要成果:
- FGSO-HDResC-Net模型在痕组织严重程度分类方面取得了高性能,准确度为96.45%.
- 证明了卓越的绩效指标,包括95.42%的真正正比率和96.48%的真负比率.
- 与传统方法相比,拟议的模型显示了显著的准确性改进 (高达14.50%),提高了疾病评估.
结论:
- FGSO-HDResC-Net模型提供了一个强大而准确的解决方案,用于在LGE-CMR图像中对心脏痕组织严重程度进行分类.
- 这一进步为心脏病患者提供了改进的疾病评估和治疗规划能力.
- 开发的方法提高了LGE-CMR成像在心血管病理评估中的临床实用性.
