Détection de tumeurs cérébrales à l'aide de LSTM

Des études récentes ont montré que les modèles d'apprentissage profond sont capables de fournir des avantages significatifs pour l'analyse d'images médicales. Lors de l'utilisation de LSTM pour la détection de tumeurs cérébrales, les données d'entrée séquentielles, telles que les scanners IRM ou les données chronologiques des patients , sont généralement introduites dans le modèle LSTM. Le modèle apprend alors à partir des modèles séquentiels et utilise ces connaissances pour classer la présence ou non d'une tumeur cérébrale. Notre modèle exploite les dépendances temporelles des données d'imagerie médicale pour améliorer la précision et la robustesse de la détection des tumeurs. Le modèle LSTM est plus performant que les méthodes traditionnelles , comme le montrent nos résultats. Il en résulte une grande précision et des informations précieuses sur la région tumorale détectée. En outre, nous explorons l'interprétabilité des LSTM et l'intégration potentielle avec des informations cliniques pour améliorer le diagnostic et la planification.

Autorentext

Dr. A. Sai Suneel travaille actuellement en tant que professeur assistant dans le département d'ingénierie électronique et de communication et Mme V. Saraswathi Bai travaille actuellement en tant que professeur assistant dans le département de CSE à l'école d'ingénierie et de technologie, Sri Padmavati Mahila Visvavidyalayam, Tirupati.