基于混合果蜂优化算法的深卷积神经网络,用于使用MRI图像进行脑瘤分类
Aynun Jarria S P1, Boyed Wesley A2
1Department of Computer Science, Nesamony Memorial Christian College, Marthandam, affiliated with Manonmaniam Sundaranar University, Abishekapatti, Tamilnadu, India.
Network (Bristol, England)
|March 28, 2025
概括
这项研究引入了针对脑瘤分类的优化深度学习方法. 基于混合果蜂优化的深度卷积神经网络 (基于HFBO的DCNN) 提高了对脑瘤疾病的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 准确的脑瘤分类对于癌症诊断至关重要.
- 传统的深度学习方法在瘤分类中经常产生不一致的结果.
- 优化的深度学习方法有可能提高诊断准确性.
研究的目的:
- 开发和评估一个优化的深度学习模型用于脑瘤分类 (BTC).
- 使用人工智能提高脑瘤诊断的准确性和可靠性.
主要方法:
- 开发了一个基于混合果蜂优化的深卷积神经网络 (基于HFBO的DCNN).
- 图像预处理涉及高斯过以减少噪音.
- 用SegNet进行特征提取,然后用HFBO进行特征选择.
- 深度CNN模型使用HFBO算法进行重量优化训练.
主要成果:
- 基于HFBO的DCNN模型实现了0.926.6的测试准确度.
- 该模型在脑瘤分类中显示出高灵敏度 (0.926) 和特异性 (0.931).
- 最优化的方法在分类一致性方面超过了传统的深度学习方法.
结论:
- 拟议的基于HFBO的DCNN模型为大脑瘤分类提供了卓越的解决方案.
- 这种方法提高了诊断准确度和确定脑瘤的可靠性.
- 优化算法与深度学习的整合在医学诊断中显示出显著的前景.