基于MRI的早期叶检测使用基于DGWO的优化HAETN和Fuzzy-AAL细分框架 (FASF).

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 目前的叶 (TLE) 检测方法在MRI序列适用性,发作局部化和跨患者群体的概括性方面存在局限性.
• 这些局限性阻碍了现有的TLE诊断工具的实际临床应用.

研究的目的:

• 开发一种先进的深度学习模型,用于早期和准确地诊断叶 (TLE).
• 克服当前TLE检测技术的局限性,改善患者的治疗结果.

主要方法:

• 引入用于TLE诊断的混合注意力增强变压器网络 (HAETN).
• 使用模糊-AAL细分框架 (FASF),结合模糊可能C-Means (FPCM) 进行组织细分和AAL进行组织标签.
• 实施Dipper-灰狼优化 (DGWO) 进行有效的特征选择以提高模型性能.

主要成果:

• 拟议的HAETN模型在叶-UNAM MRI数据集上实现了高性能指标.
• 获得了98.61%的精度,99.83%的灵敏度和99.82%的F1得分.

结论:

• 开发的HAETN模型证明了TLE早期诊断的显著效率和临床适用性.
• 先进的深度学习方法在尽量减少对个人和社会的影响方面显示出希望.