TumorDetNet:一个统一的深度学习模型用于脑瘤检测和分类
Naeem Ullah1, Ali Javed1, Ali Alhazmi2
1Department of Software Engineering, University of Engineering and Technology, Taxila, Pakistan.
PloS one
|September 27, 2023
概括
一个新的深度学习模型,TumorDetNet,通过MRI扫描准确地检测和分类脑瘤. 这种计算机辅助诊断系统实现了高准确性,有助于早期诊断和治疗,改善了患者的治疗结果.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 神经瘤学神经瘤学
背景情况:
- 早期和准确的脑瘤诊断对于有效的治疗和患者的生存至关重要.
- 磁共振成像 (MRI) 是用于瘤识别的非侵入性工具,但手动分析耗时且具有挑战性.
- 计算机辅助诊断 (CAD) 系统为自动化和提高脑瘤检测和分类的准确性提供了解决方案.
研究的目的:
- 提出一个统一的,端到端的深度学习模型,名为TumorDetNet,用于脑瘤检测和分类.
- 评估TumorDetNet在标准Kaggle脑瘤MRI数据集上的性能.
- 证明模型在分类瘤类型和恶性瘤方面的能力.
主要方法:
- 开发了TumorDetNet,这是一个使用48个卷积层的深度学习框架,具有泄漏ReLU (LReLU) 和ReLU激活功能.
- 整合了平均聚合和脱落层,以学习独特的模式并防止过度匹配.
- 采用完全连接和软max层,用于最终的瘤检测和多类分类.
主要成果:
- 在6个Kaggle数据集中,TumorDetNet在脑瘤检测中实现了99.83%的准确性.
- 该模型在将瘤分类为良性或恶性时显示出100%的准确性.
- 针对特定瘤类型 (质瘤,垂体瘤,脑膜瘤) 的分类准确率达到99.27%.
结论:
- 拟议的TumorDetNet模型显示了可靠和准确的脑瘤识别和分类的巨大潜力.
- 这种深度学习方法可以增强计算机辅助诊断系统,提高诊断效率和患者护理.
- 取得的高精度凸显了开发的方法论在应对脑瘤分析挑战方面的有效性.
