Segmentación de imágenes médicas mediante un novedoso modelo de aprendizaje profundo de fantasma dilatado

Abstract

La segmentación de imágenes y la visión artificial se están volviendo más importantes en el diseño asistido por computadora. Un algoritmo informático extrae los bordes, colores y texturas de la imagen. También consume recursos. Se requieren conocimientos técnicos para extraer información sobre características distintivas. Actualmente no existe software de segmentación o reconocimiento de imágenes médicas disponible. El modelo propuesto tiene 13 capas y utiliza convolución dilatada y max-pooling para extraer características pequeñas. El modelo Ghost elimina las características duplicadas, facilita el proceso y reduce la complejidad. La red neuronal convolucional (CNN) genera un mapa de vectores de características y mejora la precisión de las propuestas de área o cuadro delimitador. Se requiere reestructuración para la curación. Como resultado, las redes neuronales convolucionales segmentan imágenes médicas. Es posible adquirir la región inicial de una imagen médica segmentada. El modelo propuesto ofrece mejores resultados en comparación con los modelos tradicionales, con una precisión del 96,05%, una exactitud del 98,2% y una exhaustividad del 95,78%. Los primeros hallazgos se mejoran al engrosar y categorizar los píxeles de la imagen Se pueden utilizar técnicas morfológicas para segmentar imágenes médicas. Los experimentos demuestran que la estrategia de segmentación recomendada es eficaz. Este estudio replantea los métodos de segmentación de imágenes médicas.