雀鸟群优化模糊C-means集群,启用深度学习模型用于肺结节检测

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 肺部病理学 肺部病理学

背景情况:

• 肺结节的检测对于肺癌的诊断和预防至关重要.
• 现有的方法在可扩展性,稳定性,数据可用性和错误检测率方面面临挑战.
• 由于形状,大小和位置的变化,难以准确识别肺结节.

研究的目的:

• 开发一种有效的肺结节检测模型,克服目前的局限性.
• 提高医学图像中肺结节识别的准确性和可靠性.
• 介绍Cnidaria群体优化算法支持的双向长期短期记忆 (CHSTM) 模型.

主要方法:

• 提出了FC2R细分模型,集成了优化的模糊C介质集群和Resnet-101深度学习.
• 采用了Cnidaria Herd Optimization (CHO) 算法,灵感来自的运动和cnidaria时间控制,以优化CHSTM模型.
• 使用统计和纹理描述符来提取特征,以提高检测准确度.

主要成果:

• FC2R + CHSTM 模型在 LUNA-16 数据集上实现了 98.09% 的灵敏度, 97.71% 的准确性和 97.03% 的特异性.
• 在LIDC/IDRI数据集上,该模型表现出97.59%的准确性,96.77%的灵敏度和98.41%的特异性,具有k倍验证.
• 拟议的模型在性能比较中表现优于现有技术.

结论:

• FC2R + CHSTM 模型提供高精度的有效肺结节检测.
• 这项研究成功地解决了以前肺结节检测方法的局限性.
• 开发的模型显示了在肺癌查中临床应用的巨大潜力.