强大的级联双向三囊网络与OOA用于基于深度神经网络的改进脑瘤识别
Kavitha Thangavel1, Mathivanan Murugavelu2, Selvin Christalin Nelson3
1Department of Computer Applications, Kongu Engineering College, Perundurai, Tamil Nadu, India.
Medical physics
|March 10, 2026
概括
这项研究引入了一个新的AI模型用于脑瘤检测,实现99.9%的回忆和99.8%的准确性. 强大的三重提取与级联双向囊网络和 Osprey 优化算法 (RT-CBCN-OOA) 提供了更可靠的医疗成像解决方案.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 大脑瘤可能导致严重的神经症状,需要早期和准确的诊断.
- 目前用于脑瘤检测的深度学习 (DL) 模型的准确性低,错误阳性率高.
- 改进的诊断工具对于更好的患者预后和治疗计划至关重要.
研究的目的:
- 提出一个强大的三重提取与级联双向囊网络和 Osprey 优化算法 (RT-CBCN-OOA) 加强脑瘤检测和分类.
- 提高自动脑瘤诊断的质量,准确性和可靠性.
- 解决现有的DL模型在准确性和假阳性率方面的局限性.
主要方法:
- 预处理MRI图像 (BraTS和Figshare) 使用修改方根Sage-Husa自适应卡尔曼波器 (MSRS-HAKF) 降低噪声和提高清晰度.
- 使用双域注意CNN (EfficientNet-B3) 和基于几何代数变压器的强大的级联双向三重囊网络与三重注意 (GAT-RCBTCN-TA) 的特征提取,细分和分类.
- 使用Osprey优化算法 (OOA) 优化模型重量.
主要成果:
- 拟议的RT-CBCN-OOA模型实现了99.9%的回忆率和99.8%的准确性.
- 这些结果超过了当前最先进的脑瘤检测模型的性能.
- 该模型在识别和分类脑瘤方面表现出高精度和高效率.
结论:
- 该RT-CBCN-OOA模型为大脑瘤检测提供了强大,精确和高效的解决方案.
- 高准确度和回忆力表明,在医学成像和诊断中临床应用的巨大潜力.
- 这种方法代表了通过早期和可靠的诊断改善患者结果的有希望的进步.
