混合深度学习和功能优化方法用于早期检测多发性硬化症

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 神经学 神经学

背景情况:

• 医疗保健越来越多地使用自主系统来检测多发性硬化症 (MS),以减少诊断延迟和残疾.
• 准确及时诊断MS对于有效治疗和改善患者结果至关重要.
• 当前的诊断方法可能是资源密集型和耗时的.

研究的目的:

• 通过深度学习,元启发式优化和机器学习,为准确的多发性硬化症 (MS) 分类提出混合框架.
• 提高MS自动诊断的效率和可靠性.
• 为了评估具有优化功能的不同机器学习分类器的性能.

主要方法:

• 使用CLAHE预处理MRI图像,进行大小调整和正常化.
• 使用预训练的VGG16卷积神经网络 (CNN) 提取深度特征.
• 鱼优化算法 (WOA) 用于特征选择,优化支持矢量机 (SVM) 性能,然后对包括人工神经网络 (ANN) 在内的多个分类器进行评估.

主要成果:

• 混合框架成功地利用WOA提取了深度特征和降低了维度.
• 与WOA集成的人工神经网络 (ANN+WOA) 实现了最高的分类准确率98%.
• 拟议的模型在自动化MS诊断方面表现出高性能.

结论:

• 开发的混合框架显示了可靠,高效和自动化多发性硬化症 (MS) 诊断的巨大潜力.
• 将深度学习与元启发性特征选择相结合,可以大大提高分类准确性.
• 这种方法提供了一个有前途的工具来帮助临床医生在MS诊断和管理.