先进的全息卷积密集网络和触角运行器优化,用于增强多囊性卵巢疾病分类
Prathibanandhi Jeyashanker1, Annie Grace Vimala Georgewilliam Sundaram2, Padmakala Sadagopan3
1Department of ECE, Saveetha School of Engineering, Saveetha Institute Of Medical and Technical Sciences, Chennai, India. prathibasuresh3@gmail.com.
Scientific reports
|May 5, 2025
概括
这项研究介绍了Coco-HoloNet,这是一种用于在超声波图像中准确检测多囊性卵巢疾病 (PCOD) 的深度学习模型. 该模型达到99%以上的准确性,改善了这种常见内分泌疾病的早期诊断和管理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 内分泌学 在内分泌学.
背景情况:
- 多囊卵巢疾病 (PCOD) 是一种普遍存在的内分泌疾病,影响全球女性.
- 通过超声波进行准确的诊断和分类对于及时干预至关重要.
- 现有的诊断方法往往缺乏准确性和强大的特征提取,导致诊断延迟或不正确.
研究的目的:
- 提出一个深度学习模型,Coco-HoloNet,用于在超声波图像中精确检测和分类PCOD.
- 通过克服传统方法的局限性来提高诊断准确性.
- 改善早期干预和PCOD的管理.
主要方法:
- 开发全息卷积密集网络 (Coco-HoloNet),集成卷积层,密集块和聚合.
- 实现触角运行器自适应优化 (TRAdO) 以动态计算规范化参数并防止过拟合.
- 使用扩展的Kaggle PCOD超声波图像数据集用于模型验证.
主要成果:
- 可可全网实现了超过99%的诊断准确度.
- 与最先进的方法相比,该模型在精度,回忆和F1分数方面表现出卓越的表现.
- 通过分层架构和优化技术实现了有效的特征提取和表示.
结论:
- Coco-HoloNet提供了一个非常准确和有效的解决方案,用于从超声波图像中检测和分类PCOD.
- 提出的深度学习方法显著提高了诊断准确性和概括能力.
- 这一进步有助于更早,更有效地管理PCOD.
