Klassifikation von Gehirntypen durch MRTs unter Verwendung paralleler CNNs und Glühwürmchen-Optimierung

Zusammenfassung Die Bildsegmentierung ist ein kritisches und herausforderndes Unterfangen im Bereich der Medizin. Eine Magnetresonanztomographie (MRT)-Untersuchung ist heute eine hilfreiche Methode zur Lokalisierung von abnormalem Hirngewebe. Es ist für Radiologen eine schwierige Aufgabe, den Tumor aus mehreren Bildern zu diagnostizieren und zu klassifizieren. Diese Arbeit entwickelt eine intelligente Methode zur genauen Identifizierung von Gehirntumoren. Diese Forschung untersucht die Identifikation von Gehirntumortypen aus MRT-Daten mithilfe von konvolutionalen neuronalen Netzen und Optimierungsstrategien. Zwei neuartige Ansätze werden vorgestellt: der erste ist eine neuartige Segmentierungstechnik, die auf Glühwürmchen-Optimierung (FFO) basiert und die Segmentierungsqualität anhand vieler Parameter bewertet, und der andere ist eine Kombination aus zwei Arten von konvolutionalen neuronalen Netzen zur Kategorisierung von Tumoreigenschaften und zur Identifizierung der Art des Tumors. Diese Verbesserungen sollen die allgemeine Wirksamkeit der MRT-Untersuchungstechnik erhöhen und die Erkennungsgenauigkeit steigern. Die Tests werden mit MRT-Scans aus BBRATS2018 durchgeführt, und der vorgeschlagene Ansatz hat eine verbesserte Leistung mit einer durchschnittlichen Genauigkeit von 98,6 % gezeigt.