MGWO-CNN:使用修改后的灰狼优化器对CNN分类器进行超参数优化,用于检测子宫癌.

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:

• 宫癌是一个重要的全球健康问题,死亡率不断上升.
• 使用卷积神经网络 (CNN) 模型的当前检测方法经常遭受过拟合和梯度消失.
• 有效和准确的诊断工具对于减少宫癌死亡率至关重要.

研究的目的:

• 为改善宫癌检测提出基于修改的灰狼优化器的卷积神经网络 (MGWO-CNN).
• 为了解决传统的CNN模型的局限性,如过拟合和不良融合.
• 使用人工智能提高宫癌诊断的准确性和可靠性.

主要方法:

• 开发了一个基于修改的灰狼优化器的卷积神经网络 (MGWO-CNN),集成混乱理论和差异进化突变.
• 利用元启发式技术来优化CNN的超参数,以实现有效的模型训练.
• 从宫巴氏涂片图像中提取了关键特征,以预测结果.

主要成果:

• MGWO-CNN模型在检测子宫癌方面表现出了显著的有效性.
• 在Herlev和SIPaKMeD数据集上实现了高性能指标.
• 它以99.45%的准确度,100%的精度,97.96%的灵敏度和100%的特异性超过了现有的方法.

结论:

• 拟议的MGWO-CNN模型为宫癌检测提供了一种优越的方法.
• 优化的模型提供了准确和可靠的预测从巴氏涂抹图像.
• 这种人工智能驱动的方法有可能显著降低宫癌死亡率.