基于增强的图像注册的脑瘤细分,使用光学粒子群智能技术与Resnet Inceptionv2 HCNN
Nagaraj Varatharaj1, Sethuraman Radhakrishnan2
1Department of Electronics and Communication Engineering, Annapoorana Engineering College (Autonomous), Salem, Tamil Nadu, India. dr.v.nagaraj@aecsalem.edu.in.
Scientific reports
|October 1, 2025
概括
这项研究引入了一种基于人工智能的方法,使用光粒子群智能技术 (OPSIT) 和Resnet-inceptionv2-Hyper Convolution神经网络来准确地检测医学图像中的脑瘤,从而改善早期诊断.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 计算神经科学是一种神经科学.
背景情况:
- 脑瘤是全球突然死亡的主要原因,需要先进的诊断工具.
- 目前的机器学习 (ML) 和深度学习 (DL) 模型在脑瘤细分和特征提取方面面临挑战,导致精度降低.
- 图像注册和细分问题有助于大脑瘤识别中的高错误负面.
研究的目的:
- 提出一个优化的图像特征工程技术,用于增强大脑瘤检测.
- 使用人工智能提高识别脑瘤区域的精度和准确性.
- 为了解决医疗图像分析当前ML/DL模型的局限性.
主要方法:
- 开发了一个人工智能系统,将光粒子群智能技术 (OPSIT) 与Resnet-inceptionv2-Hyper Convolution神经网络 (HCNN) 结合起来进行特征选择.
- 实施的预处理步骤包括级联绝对中位过器 (CAMF) 和图像规范化的Otsu值.
- 利用主动轮色谱演变 (ACCHE) 和高活性切片窗口细分用于瘤区域分析和特征提取.
主要成果:
- 拟议的OPSIT和Resnet-inceptionv2-HCNN模型有效地以更高的精度识别了脑瘤区域.
- 在精度,灵敏度,特异性和接收器操作特征 (ROC) 性能方面取得了显著的改进.
- 与现有系统相比,在检测瘤区域方面表现优越.
结论:
- 这种基于人工智能的新方法通过优化功能工程和先进的深度学习来提高脑瘤检测的准确性.
- 该系统为早期诊断和治疗大脑疾病提供了一个有前途的解决方案.
- 拟议的方法显示了在神经疾病的医学图像分析中广泛应用的潜力.
