Segmentation of Medical Image Using Novel Dilated Ghost Deep Learning Model

Abstract

La segmentación de imágenes y la visión por computadora son cada vez más importantes en el diseño asistido por computadora. Un algoritmo informático extrae los bordes, colores y texturas de la imagen. También agota los recursos. Se requieren conocimientos técnicos para extraer información sobre características distintivas. Actualmente no existe ningún software de reconocimiento o segmentación de imágenes médicas disponible. El modelo propuesto tiene 13 capas y utiliza convolución dilatada y agrupación máxima para extraer características pequeñas. El modelo fantasma elimina las funciones 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, ofrece una precisión de 96,05, una precisión de 98,2 y una recuperación de 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.