DCLSTM

多级脑肿瘤的混合深度学习算法

naresh.vurukonda@kluniversity.in 摘要 脑瘤是影响人的整体健康和脑功能的潜在致命疾病之一。早期脑瘤识别和分类准确性对于挽救生命至关重要。医学领域用于分类脑瘤的最流行方法之一是深度学习。然而，目前的深度学习方法在准确分类脑癌的各个阶段方面效果不佳。在本研究中，提出了使用深度卷积长短期记忆 (EL-DCLSTM) 的集成学习来准确分类多种等级的脑瘤。建议方法的第一步是获取和准备脑 MRI 数据。因此，增强型 U-Net 方法用于分割阶段，以便从先前处理的图像中提取感兴趣的区域。此外，Firefly 优化的 ResNet 架构用于特征提取，其中包括从分割图像中选择和提取最相关的特征进行分类器训练。在特征提取后，建议的 EL-DCLSTM 用于脑瘤分类。由于 DCLSTM 设计，该系统可以准确管理 MRI 数据的波动，该设计结合了卷积层和 LSTM 层的有效性，可以捕捉 MRI 图像中的空间和时间属性。然而，集成学习通过汇总在提取的特征集的特征子集上训练的各个 DCLSTM 模型的预测来生成最终的分类结果。根据实验结果，所建议的方法在 70% 和 80% 的训练率下获得了 0.98172 和 0.99138 的更好准确度。关键词：深度学习、脑肿瘤分类、萤火虫优化、特征提取、分割*通讯作者：naresh.vurukonda@kluniversity.in 收到日期：2024 年 9 月 30 日。接受日期：2024 年 10 月 16 日。DOI：https://doi.org/10.53555/AJBR.v27i3.2974 © 2024 作者。本文根据知识共享署名-非商业性使用 4.0 国际许可协议 (CC BY-NC 4.0) 发布，允许在任何媒体中进行非商业性的无限制使用、分发和复制，但必须提供以下声明。 “本文已发表于《非洲生物医学研究杂志》” 简介 如今，脑瘤是最危险的疾病之一，影响着全球数百万人。 [1]。异常脑细胞的聚合特性是脑瘤的主要原因。脑瘤通常经历两个阶段：原发性和继发性。 [2]。由于肿瘤在第一阶段较小，因此在生物学上被称为“良性”。然而，在第二阶段，肿瘤会变大并开始扩散到身体的其他部位。从生物学角度来看，这个阶段被称为“恶性”。“根据一项研究