脑瘤图像的分类使用CNN的图像

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 机器学习用于瘤学

背景情况:

• 大脑瘤是一种恶性疾病,其特征是细胞的不受控制的生长.
• 深度学习,特别是卷积神经网络 (CNN),在医学图像分析方面表现有前途.
• 准确高效的诊断工具对于及时检测脑瘤至关重要.

研究的目的:

• 开发和评估CNN模型,用于对脑MRI扫描进行分类.
• 用转移学习来比较定制训练的CNN与预训练的VGG-16模型的性能.
• 评估拟议的CNN模型的准确性和计算效率.

主要方法:

• 大脑MRI图像使用自定义的卷积神经网络 (CNN) 来分类.
• 使用数据增强和图像处理技术来增强数据集.
• 通过转移学习,从头开始的CNN模型的性能与预训练的VGG-16模型进行了比较.

主要成果:

• 开发的CNN模型在分类大脑MRI扫描中实现了100%的准确性.
• 与VGG-16相比,定制的CNN模型的复杂性率明显低于VGG-16.
• 头CNN模型的表现优于预训练的VGG-16模型 (100%对96%的准确性).

结论:

• 拟议的CNN模型提供了一个高度准确和计算高效的解决方案,用于从MRI数据中对脑瘤进行分类.
• 这种方法在准确性和资源利用方面超过了现有的预训练方法.
• 这些发现表明,定制CNN有潜力提高神经瘤学诊断能力.