有效的混合模糊加权3D FCNN与TSO PSO优化,用于准确的多模式MRI脑瘤分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 从3DMRI扫描中检测和细分脑瘤对医疗专业人员来说是复杂和耗时的.
• 当前的方法往往需要大量的计算资源和时间进行培训.

研究的目的:

• 开发一种高效准确的混合深度学习架构,用于脑瘤检测和细分.
• 为了减少可训练参数的数量,并加快对3DMRI体积数据的训练过程.

主要方法:

• 一种混合深度学习架构,将3D全卷积神经网络 (3D-FCNN) 与间隔类型-2模糊权重系统相结合.
• 集成混合过境搜索优化-粒子群优化 (Hybrid-TSO-PSO) 算法,以提高学习稳定性和精度.
• 利用了2019年,2020年和2021年的BraTS数据集,其中包括300个三维核磁共振扫描质瘤 (HGG和LGG).

主要成果:

• 3D-FCNN-Hybrid-TSO-PSO模型实现了98.1%的精度,98.9%的灵敏度,95.0%的特异性,以及0.987的子得分.
• 3D-FCNN-SVM模型的准确率达到了95.2%.
• 与传统建筑相比,培训时间缩短了多达六倍.

结论:

• 拟议的混合深度学习模型在脑瘤检测和细分的准确性和效率方面取得了重大进展.
• 这种方法可以作为一种有价值和精确的诊断工具,用于识别和分类脑癌,减少临床医生的工作负担.
• 整合2型模糊加权和混合TSO-PSO优化可以提高模型性能和训练速度.