小说BDefRCNLSTM:一个高效的集体深度学习方法,用于增强脑瘤检测和分类与细分的分类
Malathi Janapati1, Shaheda Akthar1,2
1Department of Computer Science and Engineering, Acharya Nagarjuna University, Guntur, India.
Journal of medical engineering & technology
|September 11, 2025
概括
这项研究提出了一种新的深度学习模型,用于自动化脑瘤分类和细分MRI扫描. 该BDefRCNLSTM模型达到99%以上的准确性,为更快,更可靠的诊断提供了临床可行的解决方案.
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:
- 通过MRI手动识别脑瘤是耗时且容易出现错误的.
- 需要自动化解决方案来提高脑瘤诊断的准确性和效率.
- 复杂的瘤特征需要先进的分析方法.
研究的目的:
- 引入一个新的集体深度学习模型,BDefRCNLSTM,用于脑瘤分类和细分.
- 增强特征提取和选择,以提高诊断准确度.
- 为大脑瘤检测提供临床可行的自动化解决方案.
主要方法:
- 开发了一种增强的可变形和残余卷积网络,具有双向卷积长短期存储器 (BDefRCNLSTM).
- 基于的集成局部二进制模式 (ELBP) 用于空间语义特征提取.
- 采用增强的sooty tern优化 (ESTO) 进行最佳特征选择,并改进了X-Net进行细分.
主要成果:
- 该BDefRCNLSTM模型在脑瘤分类和细分方面都达到了99%以上的准确性.
- 拟议的模型在多个数据集上表现优于现有的最先进的方法.
- 证明了综合特征选择和细分技术的有效性.
结论:
- BDefRCNLSTM模型代表了用于自动脑瘤诊断的临床可行解决方案.
- 这种方法可以帮助放射科医生做出更快,更可靠的决定.
- 优化的特征选择和高级细分显著提高了诊断准确度.