.png){kind=icon}
返回
Enhanced brain tumor classification in MRI using an optimized deep random graph dilated diffusion convolutional attention network
.png){kind=icon}
PRE
AI
DOI：10.1002/mp.70028.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：良性及恶性脑肿瘤（BT）均会损害关键脑功能，因此早期发现对于成功治疗至关重要。有效的干预依赖于能够提供准确及时诊断的MRI扫描。
目的：本研究结合前沿深度学习与优化方法，提出一种革命性的脑肿瘤分类方法。带有冠豪猪优化器（CPO）的深度随机图扩张扩散卷积注意力网络（DR2DCAN）提升了肿瘤识别精度。
方法：首先利用混合快速传统双边滤波器（HFCBF）对MRI图像进行预处理，以降低噪声并保留关键边缘。通过DeepLabV3+进行语义分割，分离肿瘤区域与健康组织，从而实现有效特征提取。利用多离散拉盖尔小波变换（MDLWT）捕捉分割肿瘤区域的多尺度重要特征。随后，DR2DCAN处理这些特征，其结合深度扩张卷积神经网络与随机图扩散注意力机制，增强分类可靠性。CPO进一步微调DR2DCAN权重，提升精度。
结果：采用Figshare和Kaggle上的MRI数据集进行测试，数据集包含非肿瘤胶质瘤、垂体瘤和脑膜瘤病例。所提方法优于现有方法，准确率达98.7%，精确率98.4%，召回率98.8%，F1分数98.6%。t检验和Wilcoxon检验等统计分析证实性能显著提升。
结论：该框架在脑肿瘤分类上展现出更高精度，因此是临床应用与早期诊断的有前景工具。
Keyword:
brain tumor classification
crested porcupine optimizer
DeepLabV3+
hybrid fast conventional bilateral filter
multi-discrete Laguerre wavelets transforms
期刊
IF:
3.2
论文数:
3.7W
被引数:
3.2W
机构
引用论文
Brain Tumor Detection and Classification Using Intelligence Techniques: An Overview使用智能技术进行脑肿瘤检测和分类: 概述.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Multiple Brain Tumor Classification with Dense CNN Architecture Using Brain MRI Images使用脑MRI图像进行密集CNN架构的多脑肿瘤分类LIFE-BASEL
OAAI
LIFE-BASELIF3.4
OAAI分享收藏Effectiveness of Federated Learning and CNN Ensemble Architectures for Identifying Brain Tumors Using MRI Images联合学习和CNN集成架构对使用MRI图像识别脑肿瘤的有效性OAAI
OAAI分享收藏分享收藏Classifying Brain Tumors on Magnetic Resonance Imaging by Using Convolutional Neural NetworksElectronicsOAAI
ElectronicsIF0
OAAI分享收藏Brain tumor segmentation of MRI images: A comprehensive review on the application of artificial intelligence toolsMRI图像的脑肿瘤分割: 人工智能工具应用综述
PREAI
分享收藏Semantic Segmentation of Litchi Branches Using DeepLabV3+Model基于DeepLabV3模型的荔枝枝条语义分割IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容