深信服網絡通過MRI掃描檢測膠質母細胞瘤腫瘤

南烏拉爾州立大學的科學家與外國同事合作，提出了一種基于深度信念網絡的MRI圖像分類模型，該模型將有助于更快，更準確地檢測出惡性腦腫瘤。該研究報告發表在《大數據雜志》上，并在科學計量的Scopus數據庫中建立了索引。

深度學習神經網絡對腦腫瘤的診斷準確性

膠質母細胞瘤(GBM)是第4期惡性腦腫瘤，在任何給定時刻，其中大部分腫瘤細胞正在繁殖。此類腫瘤會危及生命，并可能導致部分或完全的精神和身體殘疾。

這項研究由來自印度大學和南烏拉爾州立大學的國際科學家小組進行。電子工程與計算機科學學院計算機科學系高級研究員，博士后庫馬爾·薩欽(Kumar Sachin)博士，副教授米哈伊爾·齊布勒(Mikhail Tsymbler)研發了用于MRI圖像(磁共振成像)計算機分析的方法，以檢測膠質母細胞瘤基于人工深信網絡的腫瘤。

人工神經網絡(ANN)是一種功能強大的機器學習方法，可以高精度處理大量數據。深度學習方法還可以從大型數據集中自動提取特征，盡管由于尚未開發出相應的數學驗證程序，因此無法保證提取特征的正確性。

“在這項研究中，我們提出了一種使用混合深信網絡(DBN)對膠質母細胞瘤腫瘤進行磁共振成像(MRI)進行分類的分類模型。我們提出了三個階段的圖像分類框架。第一階段進行數據預處理，包括使用離散小波變換的特征提取(允許您分析數據的頻率的功能)，矢量化和用于處理的其他特征的構建;第二階段使用主成分分析處理圖像的降維，并提供降維特征向量，以實現平滑的圖像分類。第三階段包括一堆受限的Boltzmann機器，這些機器形成了具有隱藏層的深信網絡，” Kumar Sachin解釋說。

深度信任網絡通常需要包含大量神經元的大量隱藏層，才能從原始圖像數據中學習最佳功能。因此，計算和空間復雜度很高，并且需要大量的訓練時間。所提出的方法將離散小波變換與深信度網絡相結合，以提高現有的深信度網絡模型的效率。使用幾個統計參數驗證結果。統計驗證證明，在訓練時間，空間復雜度和分類準確性方面，離散小波變換和深信度網絡的組合優于其他分類器。