具有混合分类器学习的高级有限细分模型,用于PET成像中高精度脑瘤划分
K Murugan1, SatheeshKumar Palanisamy2, N Sathishkumar3
1Department of ECE, KPR Institute of Engineering and Technology, Coimbatore, 641407, India.
Scientific reports
|July 15, 2025
概括
一个新的有限细分模型与改进的分类器学习 (FSM-ICL) 显著提高了PET图像中的脑瘤细分精度. 这种人工智能方法实现了92.57%的准确性,优于目前用于更好的诊断和治疗规划的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 准确的脑瘤细分对于临床诊断和治疗计划至关重要.
- 挑战包括复杂的瘤结构和成像方式的变化,阻碍精确的瘤检测.
- 现有的方法与细分的分离性以及不同提取率的特征差异化作斗争.
研究的目的:
- 通过使用一种具有完善分类器学习 (ICL) 的新型有限分类模型 (FSM) 来提高 pozitron发射断层扫描 (PET) 图像的分段精度.
- 通过解决细分离散问题和增强特征差异化,提高瘤检测的精度.
- 为自动瘤检测和人工智能驱动的医学成像提供更准确,更有效的工具.
主要方法:
- 开发了与改进的分类器学习 (ICL) 集成的有限分割模型 (FSM).
- 在适应性细分框架内采用先进的纹理特征提取和基于深度学习的分类.
- 在合成全头脑瘤细分数据集 (1000次培训,426次测试图像) 上训练并验证了FSM-ICL模型.
主要成果:
- 实现了92.57%的细分精度,显著优于现有方法 (NRAN: 62.16%,DSSE-V-Net: 71.47%,DenseUNet+: 83.93%).
- 将分类精度提高到95.59%,分类错误减少到5.67%.
- 与最先进的技术相比,其精度提高了10.09%,分类率提高了10.96%,分类时间为572.39 ms.
结论:
- FSM-ICL框架在PET图像中的脑瘤细分方面提供了卓越的性能,有效地解决了细分的离散性.
- 混合分类器学习方法确保了连续和离散的瘤区域检测,并增强了特征差异化.
- 这一进步为自动瘤检测,个性化治疗策略和人工智能驱动的医学成像创新带来了巨大的潜力.
