使用微调CNN与ResNet50和U-Net模型进行脑瘤检测和分类:对MRI应用TCGA-LGG和TCIA数据集的研究
Abdullah A Asiri1, Ahmad Shaf2, Tariq Ali2
1Radiological Sciences Department, College of Applied Medical Sciences, Najran University, Najran 61441, Saudi Arabia.
Life (Basel, Switzerland)
|July 29, 2023
概括
这项研究引入了一种先进的AI模型,用于准确的脑瘤检测和细分. 微调的ResNet50和U-Net模型使用医学成像数据集显著改善了脑瘤的分类和细分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑瘤是一个重大的全球健康问题,导致高死亡率.
- 准确的早期发现和分类脑瘤是具有挑战性的,因为它们的复杂性和可变性.
- 现有的方法在精确的瘤细分和分类方面扎,影响患者的治疗结果.
研究的目的:
- 开发和评估一个改进的深度学习模型,用于准确的脑瘤检测,分类和细分.
- 提高脑瘤的早期诊断,从而降低死亡率.
- 利用卷积神经网络 (CNN),ResNet50和U-Net进行改进的医学图像分析.
主要方法:
- 提出了一种结合CNN和ResNet50的新型微调模型,用于瘤检测和分类.
- 整合了U-Net模型,以精确对瘤区域进行细分.
- 该模型在公开可用的TCGA-LGG和TCIA数据集上进行了训练和验证,其中包括120名患者.
主要成果:
- 精心调整的ResNet50模型实现了高性能指标,包括0.91的交界点 (IoU),0.95的子相似系数 (DSC) 和0.95的相似度指数 (SI).
- 集成的U-Net与ResNet50模型在分类瘤/无瘤图像和细分瘤区域方面都表现出卓越的性能.
- 拟议的模型在准确分类和细分脑瘤方面显著优于其他评估方法.
结论:
- 拟议的微调CNN模型集成ResNet50和U-Net,为大脑瘤分析提供了强大的解决方案.
- 这种人工智能驱动的方法显示了提高脑瘤诊断和治疗规划的准确性和效率的巨大潜力.
- 该模型在分类和细分方面的高性能凸显了其在神经瘤学中的临床适用性.
