通过使用先进的大脑模拟来提高医疗保健的可持续性,使用VGG19和双向LSTM的多模式深度学习策略
Saravanan Chandrasekaran1, S Aarathi2, Abdulmajeed Alqhatani3
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Ramapuram, Chennai, India.
Frontiers in medicine
|April 25, 2025
概括
这项研究引入了一种多式深度学习和集体学习方法,用于在MRI扫描中准确分类脑瘤. 这种新的方法实现了高性能,显著提高了诊断能力.
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:
- 通过MRI对脑瘤进行分类对于诊断至关重要,但在技术上要求很高.
- 现有的方法往往缺乏临床应用所需的准确性和弹性.
研究的目的:
- 开发一个强大的多式模式方案,以使用深度学习和组合方法来增强脑瘤分类.
- 提高医学成像中脑瘤诊断的准确性和可靠性.
主要方法:
- 整合空间特征提取 (VGG19),顺序依赖学习 (双向LSTM) 和分类 (LightGBM).
- 一种多模式的方法,结合卷积神经网络和循环神经网络,利用互补的优势.
主要成果:
- 以97%的准确度实现了最先进的性能.
- 证明了高效率,F1得分为0.97和ROC AUC得分为0.997.
- 成功处理高维数据,优于传统的单模式方法.
结论:
- 空间和顺序特征的协同组合提高了分类率.
- 这种可扩展的方法显示了增强脑瘤诊断和治疗规划的巨大潜力.
- 多式联络方法在瘤医学成像学中提供了一个有前途的进步.
关键词:
轻GBMM 轻GBM 轻GBM 轻GBM核磁共振成像 (MRI) 的成像方法在VGG19中,VGG19在VGG19中.双向的LSTM是一个双向的LSTM.脑瘤分类大脑瘤的分类深度学习是一种深度学习.组合学习组合学习多模式学习是多模式学习.更多相关视频
06:32Author Spotlight: Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring
Published on: July 14, 2023
1.1K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
901
