在低剂量CT图像中推进脑瘤检测和分类,使用创新的多层深度神经网络模型
Katari Balakrishna1, A Nagaraja Rao2
1Research Scholar, School of Computer Science and Engineering, VIT, Vellore, Tamil Nadu, India.
概括
这项研究引入了多层染色边缘深度网络 (MLCED-Net),用于在低剂量CT扫描中准确诊断脑瘤. 新的深度学习框架实现了98.9%的准确性,显著提高了诊断精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期脑瘤诊断对于有效治疗和改善患者的治疗结果至关重要.
- 低剂量CT扫描在准确诊断方面存在挑战,因为其分辨率和噪音低.
- 传统的成像技术很难克服这些局限性.
研究的目的:
- 开发一种新的框架,即多层染色边缘深度网络 (MLCED-Net),用于在低剂量CT图像中增强脑瘤诊断.
- 将深度学习与先进的图像处理相结合,以提高诊断准确度.
- 解决低剂量CT分析中传统方法的局限性.
主要方法:
- 预处理涉及露西-理查德森模糊清除,自适应组图平衡和像素正常化.
- 从处理的图像中提取特征包括平均值,能量,对比度和.
- 为了分类和细分,使用了15层的深度学习架构 (MLCED-Net).
主要成果:
- 在大脑瘤检测方面,MLCED-Net模型实现了98.9%的高准确率.
- 图像质量的显著改进得到了后处理的峰值信号噪声比 (PSNR) 值的证实.
- 与现有技术相比,该框架显示出更高的性能.
结论:
- 在低剂量CT扫描中,MLCED-Net框架为脑瘤诊断提供了一种可靠的方法.
- 结合多层自动编码器,色彩操作和边缘检测,提高了诊断能力.
- 先进的深度学习模型可以显著提高诊断精度,改善患者护理.
