学习引导的二进制PSO算法用于特征选择和重建子宫内膜区域检测中的超声波对比图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 准确的子宫内膜区域识别对于早期检测子宫内膜病变至关重要.
• 目前的模型在噪音图像和有限的特征表示方面扎,特别是在颜色信息和传统的2D PCA方法方面.

研究的目的:

• 提出一种新的算法,FLFSI,用于在临床超声波图像中增强子宫内膜区域检测.
• 提高特征选择准确度和图像重建质量,以更好地识别病变.

主要方法:

• 开发了特征级图像融合和改进的群集智能优化 (FLFSI) 算法.
• 集成学习引导的二进制粒子群集优化 (BPSO) 具有图像特征选择和重建框架.
• 结合结构和颜色信息以增强图像表示,并利用BPSO进行准确的特征选择.

主要成果:

• 与YOLOv11集成的FLFSI实现了96.6%的盒子mAP和87.8%的面具mAP.
• 与YOLOv12集成进一步改善了Mask mAP,达到88.8%.
• 证明了功能选择精度的提高,改进了重建质量,并减少了冗余功能的影响.

结论:

• 在临床超声波图像中,FLFSI算法显著提高了子宫内膜区域检测.
• 当与主流检测模型集成时,FLFSI显示出出色的跨模型适应性和强大的性能.
• 拟议的方法为改善子宫内膜条件的早期诊断提供了一个有希望的解决方案.