使用修改后的深度学习与边缘融合和频率特征进行了增强的质瘤瘤检测和细分
1Department of Computer Science and Engineering (Data Science), Madanapalle Institute of Technology & Science, Madanapalle, 517325, Andhrapradesh, India. pugazharasi@gmail.com.
Scientific reports
|February 26, 2025
概括
这项研究引入了一种用于脑瘤检测的新算法,通过专注于边缘细节和使用高级深度学习来提高准确性. 该系统提供精确的质瘤诊断,特别是在医疗资源有限的地区.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 准确的脑瘤检测对于及时治疗至关重要,特别是在服务不足的地区.
- 目前的自动化方法在边缘像素信息上扎,在不太强化的MRI扫描上表现不佳.
研究的目的:
- 开发一种先进的计算机辅助系统,用于精确的脑瘤检测和细分.
- 通过使用新型图像处理和深度学习技术,提高质瘤诊断的准确性和效率.
主要方法:
- 提出了边缘整合融合 (EIF) 算法,以改善MRI图像中的边缘像素对比度.
- 集成EIF与Gabor变换 (GaT) 进行空间频率分析.
- 开发了一个改进的深度学习 (MDL) 架构,以优化检测速度和性能.
- 在Jupyter Notebook环境中以Python实现了系统,以实现可重现性.
主要成果:
- 实现了高性能指标:98.58%的灵敏度,99.09%的特异性,99.1%的准确性和98.96%的子相似系数.
- 与现有最先进的方法相比,表现出优越的性能.
- 在高度增强和增强滞后的临床MRI数据上表现出有效性.
结论:
- EIF-MDL系统为准确和及时的质瘤诊断提供了一个强大的解决方案.
- 该算法的处理不同图像质量的能力使其适用于资源有限的医疗保健环境.
- 这项技术具有显著的潜力,可以通过早期和精确的检测来改善患者的结果.
