MedElevator
Войти в исследования Интеллектуальная модель сегментации и классификации с использованием усовершенствованной оптимизирующей атентной маски RCNN и периодической мобильной сети с ЛСТМ для различных типов склероза с клиническим мозговым МРТ.
Аннотация
В секторе здравоохранения снимки магнитного резонанса (MRI) используются для оценки, классификации и управления множественным склерозом (MS). Однако интерпретация МРТ требует исключительно большого количества навыков, поскольку аномалии сканирования часто не согласуются с клиническими симптомами, что затрудняет преобразование полученных результатов в эффективные стратегии лечения. Кроме того, МРТ является дорогостоящим процессом, и его частое использование для контроля за болезнью увеличивает расходы на медицинское обслуживание. Для преодоления этих недостатков в этом исследовании используются передовые технологические подходы к разработке системы глубокого обучения для классификации типов MS с помощью клинических сканирования МРТ мозга. Основная новинка этой модели заключается в том, чтобы оказывать влияние на сеть слияний с концепцией внимания и периодическим глубоким обучением для классификации расстройств; это также предлагает алгоритм оптимизации для корректировки параметра в целях повышения эффективности. Первоначально из базы данных, в которой собранные пробы классифицируются для подготовки и тестирования, берется в общей сложности 3427 изображений. В данном случае сегментация осуществляется с помощью адаптивной и внимательной региональной нервной сети (AA-MRCNN). На этом этапе параметры MRCNN тщательно корректируются с помощью усовершенствованного алгоритма оптимизации соснового конуса (EPCOA), который гарантирует высокую эффективность. Кроме того, сегментированное изображение передается периодическим MobileNet с краткосрочной памятью (RM-LSTM) для получения результатов классификации. С помощью экспериментального анализа эта модель глубокого обучения приобретается 95,4% для точности, 95,3% для чувствительности и 95,4% для специфичности. Таким образом, эти результаты свидетельствуют о том, что он обладает большим потенциалом для надлежащей классификации склерозового расстройства.
Название и аннотация на языке оригинала
An Intelligent Model of Segmentation and Classification Using Enhanced Optimization-Based Attentive Mask RCNN and Recurrent MobileNet With LSTM for Multiple Sclerosis Types With Clinical Brain MRI.
In healthcare sector, magnetic resonance imaging (MRI) images are taken for multiple sclerosis (MS) assessment, classification, and management. However, interpreting an MRI scan requires an exceptional amount of skill because abnormalities on scans are frequently inconsistent with clinical symptoms, making it difficult to convert the findings into effective treatment strategies. Furthermore, MRI is an expensive process, and its frequent utilization to monitor an illness increases healthcare costs. To overcome these drawbacks, this research employs advanced technological approaches to develop a deep learning system for classifying types of MS through clinical brain MRI scans. The major innovation of this model is to influence the convolution network with attention concept and recurrent-based deep learning for classifying the disorder; this also proposes an optimization algorithm for tuning the parameter to enhance the performance. Initially, the total images as 3427 are collected from database, in which the collected samples are categorized for training and testing phase. Here, the segmentation is carried out by adaptive and attentive-based mask regional convolution neural network (AA-MRCNN). In this phase, the MRCNN's parameters are finely tuned with an enhanced pine cone optimization algorithm (EPCOA) to guarantee outstanding efficiency. Further, the segmented image is given to recurrent MobileNet with long short term memory (RM-LSTM) for getting the classification outcomes. Through experimental analysis, this deep learning model is acquired 95.4% for accuracy, 95.3% for sensitivity, and 95.4% for specificity. Hence, these results prove that it has high potential for appropriately classifying the sclerosis disorder.
Предметные рубрики MeSH
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.