梯度能量谷的优化实现了细分和脊柱VGG-16网络用于脑瘤检测
Kishore Bhamidipati1, G Anuradha2, Satish Muppidi3
1Department of Computer Science and Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, India.
Network (Bristol, England)
|June 23, 2025
概括
本研究介绍了使用MRI扫描进行早期脑瘤 (BT) 检测的脊柱VGG-16-Net. 这种新的方法实现了高精度,有助于及时诊断和治疗脑瘤.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 脑细胞的异常扩大,称为脑瘤 (BT),由于对重要神经和血管结构的潜在损伤,存在重大风险.
- 精确和早期发现脑瘤对于减轻严重的健康后果和改善患者的治疗结果至关重要.
研究的目的:
- 引入一个先进的深度学习模型,SpinalNet视觉几何组-16 (Spinal VGG-16-Net),用于早期和准确检测脑瘤.
- 通过图像处理技术和新型神经网络架构的结合,提高脑瘤检测的性能.
主要方法:
- 磁共振成像 (MRI) 数据通过使用双边过器进行了无声化.
- 脑瘤区域使用基于的卡普尔值进行细分,最佳值由梯度能量谷优化 (GEVO) 确定.
- 脊柱VGG-16-Net模型整合了脊柱Net和VGG-16Net,用于特征提取和图像增强后的最终脑瘤检测.
主要成果:
- 拟议的脊柱VGG-16-Net模型显示出最高准确率为92.14%.
- 实现了高性能指标,包括93.16%的真正比率 (TPR),91.35%的真负比率 (TNR),89.73%的负预测值 (NPV) 和92.13%的正预测值 (PPV).
结论:
- 脊柱VGG-16-Net模型对早期和准确的脑瘤检测有显著的前景.
- 开发的方法为脑瘤诊断提供了可靠的方法,在关键绩效指标方面表现优于现有方案.
