混合深度学习模型用于MRI扫描上的脊髓瘤诊断
R Geetha1, E Sathish Kumar2, A Vasantharaj3
1Department of Biomedical Engineering, Excel Engineering College, Namakkal, India.
概括
这项研究引入了一种结合MRI扫描和患者年龄的新方法,用于诊断脊髓瘤 (ST). 这种先进的模型可以准确地区分良性和恶性瘤,提高诊断精度.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 诊断脊髓瘤 (ST) 是一个挑战,特别是善性与恶性类型的区别.
- 不准确的ST诊断可能会导致不理想的患者治疗策略.
- 现有的研究主要使用MRI扫描,需要提高诊断准确度.
研究的目的:
- 开发一种用于增强脊髓瘤检测和分类的新方法.
- 将MRI图像与患者年龄数据集成,以提高诊断性能.
- 利用深度学习来更准确地区分脊髓瘤类型.
主要方法:
- 利用Inception V3进行本地特征提取和视觉变压器 (ViT)进行全球特征分类.
- 使用平均波器 (AF) 和形态操作器 (MO) 预处理的MRI图像.
- 开发了一种混合深度学习模型,结合年龄数据和自我注意力融合机制 (SAFM).
主要成果:
- 混合模型在准确性,灵敏性和特异性方面取得了显著的改进.
- 在脊髓瘤诊断中实现了96%的特异性和93%的准确性.
- 该模型的计算延迟仅为10.04秒,超过了现有的方法.
结论:
- 拟议的模型通过整合MRI和患者年龄,在诊断脊髓瘤方面提供了卓越的准确性.
- 有效地区分良性和恶性脊髓瘤,作为可靠的临床工具.
- 代表了脊髓瘤诊断能力的显著进步.
