通过轻量级的端到端深度学习模型有效检测脑瘤

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机科学 计算机科学

背景情况:

• 深度学习,特别是卷积神经网络 (CNN),在医学成像中显示出大脑瘤诊断的前景.
• 医疗物联网 (IoMT) 便于将深度学习集成到先进的诊断设备中.
• 挑战包括高计算成本和当前深度学习模型中培训数据不足的潜在偏差.

研究的目的:

• 提出一种新的,轻量级的基于CNN的深度学习模型,用于脑瘤检测.
• 为了减少系统的复杂性,并使实时应用程序在 IoMT.
• 提供一个框架,在IoMT内安全传输医疗结果的数据.

主要方法:

• 开发了一个新的,端到端,轻量级的CNN模型用于脑瘤检测.
• 在医学成像数据集上训练模型,以识别癌症.
• 在二进制和多类场景中评估模型的准确性和效率.

主要成果:

• 实现了高准确率:99.48%的二进制分类和96.86%的多类分类.
• 拟议的轻量级CNN模型与现有的CNN相比,表现出了卓越的性能.
• 该模型的复杂性降低和少量层次使其适合实时应用.

结论:

• 新的CNN模型在IoMT中为大脑瘤检测提供了深度学习的重大进步.
• 该模型的效率和准确性支持其实时医学诊断的潜力.
• 该研究提供了在IoMT环境中数据传输的基本安全建议.