一个高效的深度学习网络用于脑中风检测,使用salp混合牧羊优化优化

科学领域:

• 神经学 神经学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 脑中风 (BS) 是关键的脑血管疾病,也是导致死亡的主要原因.
• 由于大小,形状和位置的变化,出血和缺血性中风存在诊断挑战.
• 在磁共振成像 (MRI) 中的扩散加权成像 (DWI) 提供了早期检测流体平衡变化,超过了计算机断层扫描 (CT) 的准确性.

研究的目的:

• 推出一种新的深度学习模型,Salp Shuffled Shepherded EfficientNet (S3ET-NET),用于使用MRI进行自动脑中风检测.
• 提高脑中风分类的准确性和可靠性,区分正常,缺血性中风 (IS) 和出血性中风 (HS).

主要方法:

• 用高斯双边 (GB) 过器预处理MRI图像,以尽量减少噪音.
• 使用幽灵网模型进行特征提取.
• 最佳特征是通过Salp混合牧羊优化 (S3O) 算法来选择的.
• 脑中风类型的分类是使用高效净模型进行的.

主要成果:

• 在S3ET-NET模型中,可靠性率高达99.41%.
• 与链接网,移动网和谷歌网相比,幽灵网组件显示了更好的检测准确性.
• 有效净分类器在准确性方面表现优于ResNet50,zNet-mRMR-NB和DNN.

结论:

• 拟议的S3ET-NET模型提供了一个高度可靠和准确的方法来通过MRI扫描来检测脑中风.
• 幽灵网和高效网与S3O算法的集成显著提高了诊断性能.
• 这种深度学习方法有望改善各种类型中风的早期和准确诊断.