.png){kind=icon}
返回
Enhancing Medical Image Segmentation and Classification Using a Fuzzy-Driven Method
.png){kind=icon}
OA
AI
DOI：10.3390/s25185931.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
肿瘤分割和疾病分类的自动化分析因医学图像中常见的噪声、低对比度和模糊性而受到阻碍。本研究介绍了一种新的基于模糊理论的12步改进流程，利用模糊熵、模糊标准差和直方图扩展函数来增强CT、MRI和X射线模态的图像质量。该流程为每个数据集生成三个改进版本，将KiTS19的BRISQUE评分从28.8降至21.7，BraTS2020从30.3降至23.4，胸部X射线从26.8降至22.1。该方法在KiTS19（CT）用于肾肿瘤分割、BraTS2020（MRI）用于脑肿瘤分割以及胸部X射线肺炎分类中进行了测试。一个串联卷积神经网络（CCNN）使用改进后的数据集实现了99.60%的Dice系数（KiTS19，较基线提高2.40%），分割准确率在KiTS19中为0.983，在BraTS2020中为0.981（较CLAHE的0.959和0.943更高），分类准确率在胸部X射线中为0.974（较CLAHE的0.917更高）。一个经典CNN在原始和CLAHE过滤的数据集上进行了训练。这些结果展示了该流程在改善图像质量及提高分割/分类准确率方面的有效性，为可扩展且可解释的临床诊断提供了基础。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
New multi-scale medical image segmentation based on fuzzy c-mean (FCM).png)
2008 IEEE Conference on Innovative Technologies in Intelligent Systems and Industrial Applications
2008 IEEE Conference on Innovative Technologies in Intelligent Systems and Industrial ApplicationsIF0
PREAI
分享收藏Adaptive Contrast Enhancement for Infrared Images Based on the Neighborhood Conditional HistogramOAAI
OAAI分享收藏Deep Segmentation Networks for Segmenting Kidneys and Detecting Kidney Stones in Unenhanced Abdominal CT Images用于在未增强的腹部CT图像中分割肾脏和检测肾结石的深度分割网络DIAGNOSTICSOAAI
DIAGNOSTICSIF3.3
OAAI分享收藏A Review of Deep-Learning-Based Medical Image Segmentation Methods基于深度学习的医学图像分割方法综述SUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏Low-Dose CT Image Denoising Using a Generative Adversarial Network With Wasserstein Distance and Perceptual Loss使用具有Wasserstein距离和感知损失的生成对抗网络对低剂量CT图像进行去噪OAAI
OAAI分享收藏
Concatenated CNN-Based Pneumonia Detection Using a Fuzzy-Enhanced Dataset基于模糊增强数据集的级联CNN肺炎检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容