深信服网络通过MRI扫描检测胶质母细胞瘤肿瘤

南乌拉尔州立大学的科学家与外国同事合作，提出了一种基于深度信念网络的MRI图像分类模型，该模型将有助于更快，更准确地检测出恶性脑肿瘤。该研究报告发表在《大数据杂志》上，并在科学计量的Scopus数据库中建立了索引。

深度学习神经网络对脑肿瘤的诊断准确性

胶质母细胞瘤(GBM)是第4期恶性脑肿瘤，在任何给定时刻，其中大部分肿瘤细胞正在繁殖。此类肿瘤会危及生命，并可能导致部分或完全的精神和身体残疾。

这项研究由来自印度大学和南乌拉尔州立大学的国际科学家小组进行。电子工程与计算机科学学院计算机科学系高级研究员，博士后库马尔·萨钦(Kumar Sachin)博士，副教授米哈伊尔·齐布勒(Mikhail Tsymbler)研发了用于MRI图像(磁共振成像)计算机分析的方法，以检测胶质母细胞瘤基于人工深信网络的肿瘤。

人工神经网络(ANN)是一种功能强大的机器学习方法，可以高精度处理大量数据。深度学习方法还可以从大型数据集中自动提取特征，尽管由于尚未开发出相应的数学验证程序，因此无法保证提取特征的正确性。

“在这项研究中，我们提出了一种使用混合深信网络(DBN)对胶质母细胞瘤肿瘤进行磁共振成像(MRI)进行分类的分类模型。我们提出了三个阶段的图像分类框架。第一阶段进行数据预处理，包括使用离散小波变换的特征提取(允许您分析数据的频率的功能)，矢量化和用于处理的其他特征的构建;第二阶段使用主成分分析处理图像的降维，并提供降维特征向量，以实现平滑的图像分类。第三阶段包括一堆受限的Boltzmann机器，这些机器形成了具有隐藏层的深信网络，” Kumar Sachin解释说。

深度信任网络通常需要包含大量神经元的大量隐藏层，才能从原始图像数据中学习最佳功能。因此，计算和空间复杂度很高，并且需要大量的训练时间。所提出的方法将离散小波变换与深信度网络相结合，以提高现有的深信度网络模型的效率。使用几个统计参数验证结果。统计验证证明，在训练时间，空间复杂度和分类准确性方面，离散小波变换和深信度网络的组合优于其他分类器。