使用优化的双向LSTM和海豚合作伙伴优化器进行了增强的医疗图像细分
Afnan M Alhassan1, Nouf I Altmami1
1Department of Computer Science, College of Computing and Information Technology, Shaqra University, Shaqra, Saudi Arabia.
PloS one
|February 20, 2026
概括
本研究介绍了一种优化双向长期短期记忆 (OBi-LSTM) 模型,用于增强医疗图像细分. 使用Dolphin Partner Optimizer (DPO) 优化的OBi-LSTM方法显著提高了医学扫描中的分类准确性和特征提取.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 医学成像对于诊断和治疗至关重要,机器学习和深度学习对图像分析越来越重要.
- 医疗图像的准确细分对于有效的临床诊断和理解组织和器官功能至关重要.
- 深度学习技术已经为推进医疗图像细分能力获得了大量关注.
研究的目的:
- 为医疗图像分类和细分引入一种优化的双向长期短期记忆 (OBi-LSTM) 技术.
- 通过使用一种新的深度学习方法,提高医学图像细分的准确性和效率.
- 根据现有最先进的方法,评估拟议的OBi-LSTM模型的性能.
主要方法:
- 开发了一种优化的双向长期短期记忆 (OBi-LSTM) 分类器,该分类器可以在前向和后向两个方向处理顺序数据.
- 采用海豚合作伙伴优化器 (DPO) 来调整Bi-LSTM分类器中的重量和偏差参数,以优化细胞性能.
- 实施了一种深度学习模型,旨在同时考虑空间配置,道和尺度,以改善细分.
主要成果:
- OBi-LSTM模型在MRI细分测试中实现了94.05%的子相似系数,88.77%的雅卡德指数和93.05%的准确性.
- 拟议的OBi-LSTM + DPO模型在医疗图像细分方面的现有技术相比,表现优越.
- 该模型在边界划分和特征提取方面显示出显著的改进,突出显示了其有效性.
结论:
- 优化双向长期短期记忆 (OBi-LSTM) 模型与海豚合作伙伴优化器 (DPO) 进行了优化,为医疗图像细分提供了强大而高效的解决方案.
- 拟议的方法显著提高了细分性能,特别是在精确的边界划分和详细的特征提取方面.
- OBi-LSTM表现出强大的解释能力,优于当前最先进的技术,验证了其临床实用性.