超参数调节的深度学习驱动的医疗图像分析用于内出血检测.

科学领域:

• 医学成像分析 医学成像分析
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 内出血 (ICH) 是一个关键的医疗紧急情况,需要快速诊断和管理.
• 对CT扫描的计算机分析对于准确的ICH检测至关重要.
• 深度学习 (DL) 和人工智能 (AI) 在医学图像分析方面表现有前途.

研究的目的:

• 提出一种新的AI技术,HPDL-MIAIHD,用于从CT扫描中准确有效地检测ICH.
• 通过先进的DL模型和优化算法,提高ICH检测的准确性和效率.

主要方法:

• 在HPDL-MIAIHD技术中,CT图像的预处理采用中位过.
• 一个增强的EfficientNet模型,通过Chimp Optimizer算法 (COA) 进行优化,提取功能.
• 使用LSTM,SAE和Bi-LSTM网络进行集体分类,并通过贝叶斯优化算法 (BOA) 进行超参数调整,进行最终检测.

主要成果:

• HPDL-MIAIHD方法在基准CT图像数据集上检测ICH方面表现出卓越的性能.
• 该技术实现了99.02%的高精度,超过了现有的模型.

结论:

• 拟议的HPDL-MIAIHD技术为自动化ICH检测提供了一个高度准确和有效的解决方案.
• 这种人工智能驱动的方法有可能显著改善ICH的早期诊断和患者结果.