可解释的卷积神经网络用于脑癌检测和定位
Francesco Mercaldo1,2, Luca Brunese1, Fabio Martinelli2
1Department of Medicine and Health Sciences "Vincenzo Tiberio", University of Molise, 86100 Campobasso, Italy.
Sensors (Basel, Switzerland)
|September 9, 2023
概括
这项研究引入了一种深度学习方法,用于使用磁共振图像检测和定位脑癌. 该方法实现了高精度,为改善癌症诊断提供可解释的AI见解.
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:
- 脑癌是一种高度攻击性的恶性瘤,存活率很低.
- 准确和早期发现脑瘤对于患者的治疗结果至关重要.
- 目前的诊断方法可以通过先进的计算技术来增强.
研究的目的:
- 开发和评估一种基于深度学习的方法,用于从MRI扫描中检测和定位脑癌.
- 提高AI模型在医学图像分析中的可解释性.
- 为此任务评估各种卷积神经网络架构的性能.
主要方法:
- 利用深度学习,特别是卷积神经网络 (CNN) 和类激活映射 (CAM).
- 分析了3000张磁共振图像 (MRI) 的数据集.
- 评估了四种不同的CNN模型:VGG16,ResNet50,AlexNet和MobileNet.
主要成果:
- 实现了大脑癌症检测的高准确率,从97.83%到99.67%不等.
- 类激活映射提供了视觉解释,突出显示癌症的图像区域.
- 证明了多个CNN架构在识别脑瘤方面的有效性.
结论:
- 拟议的深度学习方法是有效的准确的脑癌检测和局部利用MRI.
- 可解释的人工智能技术提高了诊断模型的解释性.
- 这些发现支持将先进的人工智能集成到神经瘤学中,以提高诊断能力.
