Медицинская обработка изображений головного мозга на основе нечеткой системы для прогнозирования заболеваний головного мозга

Целью настоящей работы было оценить эффективность обработки медицинских изображений на основе нечеткой системы для прогнозирования заболеваний головного мозга. Из-за особенностей формирования изображений при ЯМР и сложности тканей головного мозга МРТ-изображения мозга содержат шум, нечеткие границы и артефакты разной степени выраженности, поэтому был усовершенствован алгоритм нечеткой кластеризации. На основе улучшенной нечеткой кластеризации и HPU-Net (гибридной пирамидальной модели U-Net для сегментации опухоли мозга) был разработан модел и прогнозирования обработки изображений мозга и диагностики заболеваний головного мозга, обеспечивающий безопасность модели. В моделировании использовали МРТ-изображения мозга, полученные в больнице, чтобы подтвердить эффективность предложенного алгоритма. Кроме того, в эксперименты для сравнения эффективности включили CNN (сверточную нейронную сеть), RNN (рекуррентную нейронную сеть), FCM (нечеткие c-средние), LDCFCM (нечеткие c-средние с локальной плотностью кластеризации) и AFCM (адаптивные нечеткие c-средние). Результаты показали, что предложенный алгоритм при тех же условиях имеет большее число узлов, ниже энергопотребление и более стабильные изменения, чем другие модели. По общей производительности сети предложенный алгоритм быстрее всех выполнял задачи передачи данных, в среднем удерживаясь примерно на уровне 4,5 с, и значительно превосходил другие модели. Дополнительный анализ прогностической эффективности показал, что предложенный алгоритм обеспечивал наивысшую точность прогнозирования для всей опухоли по Dice similarity coefficient (коэффициенту схожести Дайса), достигая 0,936. Кроме того, коэффициент Жаккара составил 0,845, что подтверждает более высокую точность сегментации по сравнению с другими моделями. Иными словами, предложенный алгоритм обеспечивает более высокую точность, более выраженный эффект шумоподавления и лучшие результаты сегментации и распознавания при сохранении энергопотребления. Полученные результаты могут служить экспериментальной основой для распознавания признаков и прогностической диагностики изображений головного мозга.