改进的深部关节模型与调整的改进的LeNet用于脊髓细分和伤害检测,使用CT图像
Bhuvana S1, Parthasarathy G2, Balaji G N1
1School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, 632014, Vellore, India.
概括
这项研究引入了一种新的模型,用于使用CT扫描检测脊髓损伤 (SCI). 拟议的方法实现了高准确性,改善了早期诊断和患者的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 脊髓损伤 (SCI) 是一个重要的全球健康问题.
- 早期和准确的SCI检测对于有效的患者管理和康复至关重要.
- 当前的检测方法可能在速度或准确性方面存在局限性.
研究的目的:
- 开发和验证一种新的深度学习模型,用于使用CT图像准确检测脊髓损伤.
- 通过先进的图像处理和机器学习技术,提高SCI诊断的精度.
主要方法:
- CT图像预处理包括高斯过和Z-score规范化.
- 修改的深关节 (MDJ) 分段,用于精确的脊髓区域识别.
- 功能提取包括连接,SLBT,颜色,统计和改进的相关性.
- 使用增强的LeNet模型进行分类,并通过WaOI - ZOA算法进行优化.
主要成果:
- 拟议的WaOI - ZOA + M-LeNet模型实现了0.9652.0的最大精度.
- 这种表现超过了其他评估模型,包括WaOI - ZOA + Squeeze Net (0.8641) 和WaOI - ZOA + LeNet (0.8564).
- 与WaOI - ZOA + DCNN (0.7569) 相比,该模型表现出更高的性能.
结论:
- 开发的模型在精确检测脊髓损伤方面表现出显著的有效性.
- 集成先进的细分,特征提取和优化的深度学习有助于提高诊断准确度.
- 这种方法有望提高SCI的早期检测和管理.


