使用MRI进行脑瘤细分和分类:修改了segnet模型和混合深度学习架构,改进了纹理功能
Palleti Venkata Kusuma1, S Chandra Mohan Reddy1
1Department of Electronics and Communication Engineering Jawaharlal Nehru Technological University Anantapur, Ananthapuramu, Andhra Pradesh 515002, India.
Computational biology and chemistry
|February 28, 2025
概括
这项研究引入了一种使用MRI扫描进行脑瘤细分和分类 (BTS&C) 的自动化方法. 拟议的方法达到98%的准确性,大大改进了现有的技术,以更快地诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 脑瘤是全球主要的死亡原因,诊断延迟增加死亡率.
- 目前用于脑瘤检测的磁共振成像 (MRI) 的手动解释是耗时且容易出现错误的.
- 放射科医生的专业知识至关重要,但在传统的诊断方法中是有限的.
研究的目的:
- 使用MRI开发一种用于脑瘤细分和分类 (BTS&C) 的自动化方法.
- 为了提高脑瘤诊断的准确性和效率.
- 为了克服手动MRI解释的局限性.
主要方法:
- 使用改进的融合技术,使用T1,TIC,T2和T2 FLAIR MRI序列的图像融合.
- 使用中位过 (MF) 进行融合图像的预处理.
- 使用修改后的Segnet模型进行细分,并采用新的聚合操作.
- 特性提取包括改进的本地Gabor Binay模式组图序列 (ILGBPHS),韦伯本地描述符 (WLD) 和Tetrolet波形.
- 采用HDLA的分类,这是一个混合模型,结合了Bi-LSTM和Modified Linknet.
主要成果:
- 拟议的BTS&C方法在90%的检测值 (TD) 达到98%的高精度.
- 与Bi-LSTM,Link Net,LeNet,Squeeze Net,Efficient Net,HHOCNN和CNN-SVM等已建立的方法相比,表现出优异的性能.
- 在诊断准确性和效率方面显著改善.
结论:
- 开发的自动化BTS&C系统为准确和及时的脑瘤诊断提供了一个有前途的解决方案.
- 拟议的方法有效地解决了与手动MRI解释相关的挑战.
- 这种人工智能驱动的方法有可能通过减少诊断延迟来改善患者的治疗结果.
