一个优化的双向循环神经网络用于结石检测,基于CT扫描图像中开发的光头搜索方法
Zhenyou Tang1, Zhenyu Tang2, Yuxin Liu3
1Institute of Collaborative Innovation, University of Macau, Avenida da Universidade, Taipa, Macau, 999078, China.
Scientific reports
|October 23, 2025
概括
这项研究引入了一个优化的深度学习框架,用于在CT扫描中检测结石. 这种新的方法提高了诊断这种常见和反复出现的疾病的准确性和稳定性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 腎臟病學 (nephrology) 是一種醫學專業.
背景情况:
- 结石疾病是常见的,复发性,并可能导致严重的并发症.
- 通过计算机断层扫描 (CT) 扫描进行准确和早期检测对于及时干预至关重要.
- 现有的诊断系统面临着图像噪声,低对比度和阶级不平衡的挑战.
研究的目的:
- 开发一个优化的深度学习框架,以提高CT图像中的结石检测.
- 解决现有诊断系统的局限性,包括噪音,低对比度和阶级不平衡.
- 提高结石诊断的准确性和可靠性,用于临床决策.
主要方法:
- 一个预处理方案,涉及Wang-Mendel (WM) 消除噪音和全球对比度增强.
- 使用SdSmote进行数据增强,以解决类不平衡问题.
- 一个经过修改的双向循环神经网络 (BRNN) 优化了新的 Bald Eagle Search (BES) 算法,结合了准对立式学习和混乱的初始化.
主要成果:
- 拟议的方法在CT数据集上实现了高性能指标.
- 关键结果包括96.96%的精度,95.62%的灵敏度和91.67%的特异性.
- 与集体学习和Exemplar Darknet19.9等最先进的技术相比,该模型表现出卓越的性能.
结论:
- 优化的深度学习框架对于CT图像中的结石检测是有效和强大的.
- 这种新的方法成功地克服了像图像噪音和阶级不平衡等挑战.
- 这些发现支持了拟议模型在诊断结石的临床决策中的实用性.
