MedElevator Войти в исследования
← Поиск публикаций

DOI 10.1080/01616412.2025.2527899

Медицинская библиотека · Neurological research · 2025

Обнаружение множественных склерозов на основе МРТ с использованием оптимизированной системы глубокого обучения с уделением особого внимания.

Palaniappan Ramya, Delshi Howsalya Devi R, Mathankumar M, Ilangovan Karthika

СтатьяМашинный перевод · не проверен

Аннотация

Множественный склероз (MS) является хроническим неврологическим расстройством, затрагивающим миллионы людей во всем мире. Раннее обнаружение имеет жизненно важное значение для предотвращения длительной инвалидности. Магнитное резонансное воображение (MRI) играет ключевую роль в диагностике MS, однако различие между повреждениями MS и другими аномалиями мозга по-прежнему является сложной задачей.

ЦЕЛЬ

Разработка и оценка новой системы глубокого обучения-2DRK-MSCAN для раннего и точного обнаружения поражения MS с использованием данных MRI.

МЕТОДЫ

Предлагаемый подход утверждается с использованием трех общедоступных наборов данных о опухоли мозга на основе МРТ и включает три основных этапа. Во-первых, в целях повышения качества изображений в ходе предварительной обработки применяется система фильтрации Gradient Domain (GDGF). Далее, эффективная сеть V2L позвоночник, встроенный в U-образную архитектуру энкодера-декодера, облегчает точную сегментацию и извлечение богатых функций. И наконец, классификация повреждений MS осуществляется с использованием модели 2DRK-MSCAN, которая включает в себя ядра, остаточные ядра, подвергшиеся глубокому диффузированию, и многомасштабные механизмы воздействия на змеи в целях повышения точности и надежности обнаружения.

Результаты

Предлагаемые рамки позволили достичь 99,9% точности при проведении экспериментов по перекрестному подтверждению, продемонстрировав свою способность с высокой точностью отличать повреждения MS от других аномалий.

Заключение

Система 2DRK-MSCAN предлагает надежное и эффективное решение для раннего обнаружения MS с использованием MRI. Хотя клиническая проверка продолжается, этот метод показывает многообещающие возможности для оказания помощи в своевременном вмешательстве и улучшения ухода за пациентами.

Для цитирования: Palaniappan Ramya, Delshi Howsalya Devi R, Mathankumar M, Ilangovan Karthika. MRI-based detection of multiple sclerosis using an optimized attention-based deep learning framework.. Neurological research. 2025. DOI: 10.1080/01616412.2025.2527899.
Название и аннотация на языке оригинала

MRI-based detection of multiple sclerosis using an optimized attention-based deep learning framework.

BACKGROUND

Multiple Sclerosis (MS) is a chronic neurological disorder affecting millions worldwide. Early detection is vital to prevent long-term disability. Magnetic Resonance Imaging (MRI) plays a crucial role in MS diagnosis, yet differentiating MS lesions from other brain anomalies remains a complex challenge.

OBJECTIVE

To develop and evaluate a novel deep learning framework-2DRK-MSCAN-for the early and accurate detection of MS lesions using MRI data.

METHODS

The proposed approach is validated using three publicly available MRI-based brain tumor datasets and comprises three main stages. First, Gradient Domain Guided Filtering (GDGF) is applied during pre-processing to enhance image quality. Next, an EfficientNetV2L backbone embedded within a U-shaped encoder-decoder architecture facilitates precise segmentation and rich feature extraction. Finally, classification of MS lesions is performed using the 2DRK-MSCAN model, which incorporates deep diffusion residual kernels and multiscale snake convolutional attention mechanisms to improve detection accuracy and robustness.

RESULTS

The proposed framework achieved 99.9% accuracy in cross-validation experiments, demonstrating its capability to distinguish MS lesions from other anomalies with high precision.

CONCLUSION

The 2DRK-MSCAN framework offers a reliable and effective solution for early MS detection using MRI. While clinical validation is ongoing, the method shows promising potential for aiding timely intervention and improving patient care.

Предметные рубрики MeSH

Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…

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.