模糊指导集体推断系统用于脑瘤分类
M Ashwin Kumar1, G Manikandan1, L Richard1
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, India.
Brain research
|November 2, 2025
概括
早期发现脑瘤对于有效治疗至关重要. 使用卷积神经网络 (CNN) 的新型模糊导向合并推理系统 (FGEIS) 能够准确地从MRI图像中识别大脑瘤,达到99.85%的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑瘤,无论是良性还是恶性,都会增加内压力和严重的症状.
- 晚期脑瘤治疗具有挑战性,强调了早期检测的必要性.
研究的目的:
- 开发一种自动化系统,从MRI图像中早期识别脑瘤.
- 通过先进的人工智能模型提高诊断准确度和临床实用性.
主要方法:
- 提出了一种基于模糊逻辑的集合方法 - - 模糊引导集合推理系统 (FGEIS).
- 集成了四个卷积神经网络 (CNN) 架构:Densenet,Resnet,VGG和Mobilenet.
- 利用集体学习和模糊逻辑来改进来自MRI扫描的瘤分类.
主要成果:
- 该FGEIS模型实现了高分类准确率的99.85%.
- 与单个CNN架构相比,整体模型表现出更高的性能.
- 该系统有效地结合了功能学习,重复使用,本地化和计算效率.
结论:
- 在临床环境中,FGEIS模型显示了用于准确和早期脑瘤检测的巨大潜力.
- 人工智能驱动的组合方法为改善神经瘤学诊断结果提供了一个有希望的方法.
- 通过先进的成像分析进行早期识别,可以导致更好的患者管理和预后.
关键词:
大脑瘤 大脑瘤卷积神经网络 (CNN) 是一种神经网络.这是一个Densenet.组合学习学习 组合学习模糊的逻辑 模糊的逻辑核磁共振成像扫描移动网络 (Mobilenet) 是一个网络.一个重复网的重复网.这是VGGGG.
