基于使用MRI图像的混合卷积自适应神经模糊推理系统来检测脑瘤
Sridhar S R1, Akila M2, Asokan R3
1Department of Computer Science and Engineering, Muthyammal Engineering College, Namakkal, Tamil Nadu, India.
NMR in biomedicine
|September 4, 2025
概括
这项研究引入了一种新型的卷积自适应神经模糊推断系统 (Conv-ANFIS),用于在MRI扫描中准确检测脑瘤. 与现有方法相比,Conv-ANFIS模型显著提高了检测率.
科学领域:
- 医学成像
- 人工智能
- 计算神经科学
背景情况:
- 大脑瘤是危及生命的,
- 目前的磁共振成像 (MRI) 检测方法面临着噪声,细分精度和概括性的挑战.
- 现有技术的局限性需要先进的方法来确定可靠的大脑瘤.
研究的目的:
- 开发和评估一种新的卷积自适应神经模糊推断系统 (Conv-ANFIS),用于通过MRI图像进行增强的脑瘤检测.
- 解决现有的脑瘤检测方法的局限性,包括噪音处理和细分精度.
- 使用混合人工智能模型提高脑瘤识别的整体准确性和可靠性.
主要方法:
- 一个卷积神经网络 (CNN) 与一个自适应神经模糊推理系统 (ANFIS) 集成,以创建Conv-ANFIS模型.
- 预处理步骤包括非局部手段 (NLM) 过以消除噪音和去除头骨.
- 使用结构纠正对抗网络 (SCAN) 进行细分,然后通过Conv-ANFIS进行特征提取和瘤识别.
主要成果:
- Conv-ANFIS方法实现了92.31%的召回率,90.13%的精度和91.21%的F1得分.
- 与现有的脑瘤检测技术相比,该方法表现出更高的性能.
- 实现了有效的消除噪音,去除头骨和细分,从而提高了检测准确度.
结论:
- Conv-ANFIS模型为MRI图像中的脑瘤检测提供了强大而准确的解决方案.
- 这种混合人工智能方法有效地克服了传统检测方法的局限性.
- 这项研究突显了深度学习和模糊推断系统用于先进的医学图像分析的潜力.
