基于物联网的胃异常检测通过混合MDCNN-Bi-LSTM架构,具有统计和纹理特征
1Department of Computer Science and Information Technology, School of Computing Science, Vels Institute of Science, Technology and Advanced Studies (VISTAS), Chennai, India.
Informatics for health & social care
|March 12, 2026
概括
这项研究介绍了一种新的医疗保健物联网 (IoT) 基于通过虹膜图像 (HIoT-SADII) 系统检测胃异常的系统. 先进的深度学习模型使用虹膜图像准确地检测胃部异常,实现高检测准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 胃异常带来各种各样的健康挑战.
- 深度学习为改善诊断提供了潜力.
- 超参数调整对于深度学习模型性能至关重要.
研究的目的:
- 通过虹膜图像 (HIoT-SADII) 系统提出基于物联网 (IoT) 的医疗保健胃异常检测系统.
- 为了解决深度学习中非最佳超参数的挑战,用于胃异常检测.
- 利用虹膜图像开发一种准确可靠的方法来识别胃异常.
主要方法:
- 通过物联网架构收集数据.
- 使用高斯过器进行图像预处理.
- 使用修改平均值的细分与Niblacks的基于值的深度关节细分 (MMNT-DJS).
- 特性提取包括形状,统计和修改的局部格博过渡模式 (MLGTP).
- 混合深度学习检测使用双向长期短期记忆 (Bi-LSTM) 和卷积神经网络 (BMDCNN) 中的区块智能修改失学.
主要成果:
- 拟议的HIoT-SADII模型实现了0.950.0的检测精度.
- 该模型显示高F测量值为0.927.
- 从Bi-LSTM和BMDCNN中平均结果提高了检测可靠性.
结论:
- HIoT-SADII系统提供了一种有效的深度学习方法,用于检测胃异常.
- 虹膜图像分析与先进的人工智能相结合,显示出对非侵入性健康监测的前景.
- 提出的细分和特征提取方法有助于提高诊断准确度.