自动化多级脑瘤分类使用MRI图像中的自适应层次优化马群BiLSTM融合网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 从MRI图像中分类大脑瘤至关重要,但由于瘤的复杂性和数据的可变性,这是具有挑战性的.
• 现有的方法难以处理复杂的瘤类型,等级和MRI数据中的强度变化.

研究的目的:

• 提出和评估一个多级层次分类网络模型 (MGHCN) 来改进用MRI图像分类脑瘤.
• 通过解决强度变化和捕捉层次性瘤严重程度,提高脑瘤分类的精度和稳定性.

主要方法:

• 实施了改进的自适应强度规范化 (IAIN) 用于预处理MRI数据以标准化强度值.
• 利用了带有增强三角形特征 (DTCWT-ETF) 的双树复杂波形变形,以有效地提取空间和频率特征.
• 采用了自适应层次优化马群BiLSTM融合网络 (AHOHH-BiLSTM) 来进行多级瘤分类.

主要成果:

• 该MGHCN框架证明了瘤等级的有效等级分类.
• 在IAIN的预处理步骤成功地减轻了MRI样本的强度变化.
• DTCWT-ETF和AHOHH-BiLSTM有助于改善不同瘤类型和等级之间的歧视.

结论:

• 拟议的MGHCN框架为脑瘤分类提供了一种复杂的方法,提高了区分瘤等级的准确性.
• 该研究强调了先进的人工智能模型的潜力,并在医学图像分析中使用特征提取技术,以获得更好的诊断结果.