基于深度转移学习的功能融合模型与Bonobo优化算法,通过生物医学成像进行增强的大脑瘤细分和分类.
Pradeep Gurunathan1, Preethi Saroj Srinivasan2, Ravimaran S3
1School of Computing, Sastra Deemed to be University, Thanjavur, Tamil Nadu, India.
Scientific reports
|October 1, 2025
概括
本研究介绍了一种人工智能模型,用于使用生物医学成像进行增强的大脑瘤细分和分类. 拟议的方法达到99.16%的准确性,改善了早期诊断和患者的结果.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 瘤学和诊断技术的发展
背景情况:
- 大脑瘤 (BTs) 具有攻击性,需要早期检测和治疗,以改善患者的预后.
- 目前通过生物医学图像对脑瘤进行手动细分是耗时且主观的.
- 人工智能 (AI) 为自动化和增强医疗图像分析提供了一个有希望的途径.
研究的目的:
- 通过生物医学成像和特征模型融合与波诺博优化器 (EBTS-BIFMFBO) 模型提出一个增强的大脑瘤细分.
- 使用先进的人工智能技术提高脑瘤细分和分类的准确性和效率.
- 为了利用功能融合和优化方法来进行强大的脑瘤诊断.
主要方法:
- 预处理涉及双边过器 (BF) 降低噪声和CLAHE增强对比度.
- 使用DeepLabV3+模型进行精确的瘤区域细分.
- 功能提取使用了InceptionResNetV2,MobileNet和DenseNet201模型的融合.
- 进行分类时使用了由Bonobo优化器 (BO) 优化的卷积稀疏自编码器 (CSAE).
主要成果:
- 该EBTS-BIFMFBO模型在脑瘤细分和分类方面表现出卓越的性能.
- 拟议的方法在Figshare BT数据集上实现了99.16%的高精度.
- 功能融合和BO优化对该模型的有效性做出了重大贡献.
结论:
- EBTS-BIFMFBO模型代表了人工智能驱动的大脑瘤诊断的重大进展.
- 该研究强调了综合人工智能方法在准确高效的医学图像分析方面的潜力.
- 这种增强的细分和分类方法可以帮助临床医生及时进行治疗计划,并提高患者的生存率.
