混合深度Maxout-VGG-16模型用于脑瘤检测和分类使用MRI图像
T Loganayagi1, Meesala Sravani2, Balajee Maram3
1Department of Electronics and Communication Engineering, Paavai Engineering College, Pachal, Namakkal, Tamilnadu, India.
Journal of biotechnology
|May 11, 2025
概括
一个新的深度Maxout-视觉几何组-16 (DM-VGG-16) 模型增强了MRI扫描中的脑瘤检测. 这种人工智能方法比传统方法提供了更好的准确性,用于更早的诊断和更好的患者结果.
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
- 计算神经科学是一种神经科学.
背景情况:
- 早期发现脑瘤对于有效治疗和改善患者存活率至关重要.
- 传统的大脑瘤检测方法面临着诸如可访问性问题,辐射暴露,高成本和虚假阴性结果的可能性等局限性.
- 需要先进,准确和易于使用的方法来识别脑瘤.
研究的目的:
- 开发和评估一种新的深度Maxout视觉几何组-16 (DM-VGG-16) 模型,用于使用磁共振成像 (MRI) 精确检测脑瘤.
- 通过利用深度学习来克服现有的脑瘤检测技术的局限性.
- 在准确性,真负率 (TNR) 和真阳性率 (TPR) 方面提高诊断性能.
主要方法:
- 拟议的方法使用磁共振成像 (MRI) 图像作为输入.
- 图像预处理使用非本地平均 (NLM) 过器进行,然后使用基于模板的K平均和改进的Fuzzy C平均 (TKFCM) 算法进行细分.
- 特征提取涉及诸如面积,集群突出,混合PCA-规范化GIST (NGIST) 和改进的中位二进制模式 (IMBP) 等技术,将其输入到集成的深度Maxout网络 (DMN) 和视觉几何组-16 (VGG-16) 模型 (DM-VGG-16) 中进行检测.
主要成果:
- 与传统方法相比,开发的DM-VGG-16模型表现出优越的性能.
- 该模型实现了高性能指标:90.76%的准确性,90.65%的真负率 (TNR) 和90.75%的真正率 (TPR).
- 深度Maxout网络 (DMN) 与VGG-16架构的整合在脑瘤识别方面被证明是有效的.
结论:
- 拟议的DM-VGG-16模型提供了一种有希望和有效的方法,用于通过MRI扫描自动检测脑瘤.
- 该模型的高精度和可靠性表明它有可能提高早期诊断和治疗规划.
- 这种基于深度学习的方法解决了传统技术的一些局限性,为改进的神经瘤诊断铺平了道路.
