功能融合赋权的人工智能增强了使用生物医学图像对残疾人进行脑中风检测和分类的功能

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 脑中风影响所有年龄段,早期诊断对治疗至关重要.
• 目前的成像方法有限,特别是在发展中国家,阻碍了残疾人的中风分析.
• 需要先进的诊断模型,以便及时准确地识别缺血性中风.

研究的目的:

• 利用人工智能为残疾人开发一种增强的脑中风检测和分类系统.
• 通过先进的功能融合技术,提高脑中风病例的诊断准确度.
• 介绍使用特征融合技术的人工智能 (EBSDC-AIFFT) 模型的增强脑中风检测和分类.

主要方法:

• 图像预处理:大小调整,规范化,数据增强和分割.
• 使用Inception-ResNet-v2,卷积块注意模块-ResNet18和多轴视觉变压器的组合进行特征提取.
• 使用变化自编码器 (VAE) 模型进行分类.

主要成果:

• 在脑中风CT图像数据集上,EBSDC-AIFFT模型实现了99.09%的卓越准确性.
• 与现有的脑中风检测模型相比,其表现优越.
• 验证了拟议的特征融合战略的有效性.

结论:

• EBSDC-AIFFT模型为脑中风检测和分类提供了一个高度准确和高效的解决方案.
• 这种人工智能驱动的方法可以显著帮助及时诊断和治疗计划中风患者,包括那些残疾人.
• 这项研究强调了深度学习和特征融合在推进神经系统疾病医学成像分析方面的潜力.