通过CT扫描的双层卷积神经网络的癌诊断和手术选择,结合大墙构建算法

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 癌 (KC) 是一种普遍存在的全球恶性瘤,需要精确的诊断才能进行有效的治疗.
• 当前的诊断方法往往受到准确性和可靠性的限制.
• 准确的瘤特征,包括大小,类型和阶段,对于患者管理至关重要.

研究的目的:

• 开发和验证一个先进的深度学习模型,以改进癌的检测和分类.
• 为了解决癌现有诊断技术的局限性.
• 用CT扫描数据提高癌诊断的准确性和效率.

主要方法:

• 使用了KiTS21数据集,包括对比度增强的CT扫描.
• 采用混合快速常规双边过器,用于降低噪声和预处理数据中的信息保存.
• 实施了实用的量子K-Means集群,以提高细分精度.
• 应用了Q值调节变压器 (QT) 进行有效的特征提取.
• 开发了一个双层卷积神经网络 (DDCNN) 架构用于分类.
• 使用长城建设算法 (GWCA) 优化了DDCNN超参数.

主要成果:

• 拟议的DDCNN-GWCA模型在KiTS21数据集上获得了98.9%的高精度得分.
• 与现有的癌诊断方法相比,综合方法显示出更高的性能.
• 降低噪音和特征提取技术显著有助于提高检测准确度.

结论:

• DDCNN-GWCA提供了一种非常准确和可靠的方法,用于从CT扫描中诊断癌.
• 这种创新方法具有很大的潜力,可以促进早期和精确的癌检测.
• 这项研究为改善临床决策和治疗癌患者的结果铺平了道路.