GShC-Net:混合深度学习与DCTLAP特征提取用于大脑瘤检测
Zulaikha Beevi S1, Vanitha L2, Shoba B3
1Department of AI&DS, Vel Tech High Tech Dr.Rangarajan Dr.Sakunthala Engineering College, Avadi, Chennai-600062, Tamil Nadu, India.
Computational biology and chemistry
|July 23, 2025
概括
这项研究介绍了一种混合的GoogleNet-Shepard卷积网络 (GShC-Net) 用于自动脑瘤检测. 该方法提高了早期诊断的准确性,改善了患者的治疗计划和生存率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期发现脑瘤对于患者的生存和治疗计划至关重要.
- 手动检测是艰苦的,复杂的,容易出错.
- 自动化计算机辅助诊断系统对提高准确性有很高的需求.
研究的目的:
- 开发和评估一种混合的GoogleNet-Shepard卷积网络 (GShC-Net) 方法,用于自动检测脑瘤.
- 提高早期脑瘤诊断和分类的准确性和效率.
- 为医疗专业人员提供可靠的工具,用于识别脑瘤.
主要方法:
- 通过将GoogleNet和Shepard卷积神经网络 (ShCNN) 与修改层合并,开发了一个混合的GShC-Net模型.
- 该过程涉及图像预处理,脑瘤细分,并提取Haralick纹理,统计和DCTLAP特征.
- 为了最终检测脑瘤,使用了GShC-Net模型.
主要成果:
- 拟议的GShC-Net方法在早期脑瘤检测和分类方面取得了显著的改善.
- 使用真正正比率 (TPR),真负比率 (TNR) 和准确度来评估性能.
- 取得的指标包括0.940的TPR,0.930的TNR,和0.932.93的整体准确性.
结论:
- 混合GShC-Net模型为准确和及时的自动脑瘤诊断提供了一个有希望的方法.
- 这种方法有可能帮助临床医生做出更快,更准确的医疗决策.
- 增强的检测能力可以有助于改善神经瘤学患者的治疗结果.
