使用贝叶斯学习模型进行脑疾病的多类分类,使用自适应性精细化基于网络的细分
Alampally Sreedevi1, Neravati Nagaraja Kumar2, Tejaswini Panse3
1Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Hyderabad, Telangana, India.
NMR in biomedicine
|November 5, 2025
概括
使用深度学习的早期脑瘤诊断可以改善患者的生存率. 这项研究引入了一个自适应性改进网络和基于健身的火焰搜索算法,通过贝叶斯学习的合奏CNN进行准确的MRI细分和分类.
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:
- 大脑瘤显著影响患者的生存,需要早期和准确的诊断.
- 传统的诊断方法在特征选择和分类准确性方面面临挑战.
- 深度学习为识别大脑异常提供了一种有前途的方法.
研究的目的:
- 用MRI图像开发一个强大的深度学习模型,用于早期脑瘤诊断.
- 通过使用自适应改进网络 (ARN) 和基于健身的火搜索算法 (FFSA) 提高细分精度.
- 通过使用贝叶斯学习 (ECNN-BL) 的集体卷积神经网络 (CNN) 提高分类性能.
主要方法:
- 使用RNA的图像细分,由FFSA优化用于瘤划分.
- 用VGG16,Resnet和Xception模型组成的ensemble CNN对细分图像进行分类.
- 整合贝叶斯式学习以增强整体模型的概括性和稳定性.
主要成果:
- 开发的模型证明了在MRI扫描中可靠和有效地识别大脑疾病.
- 该FFSA算法有效优化了细分参数,提高了准确性.
- 与现有方法相比,ECNN-BL模型实现了更高的分类性能.
结论:
- 拟议的深度学习框架为脑瘤诊断提供了有效和准确的解决方案.
- 结合先进的细分和集体分类技术,可以改善诊断结果.
- 这种方法在神经瘤学中具有显著的临床应用潜力.
