使用混合深度学习模型检测和分类脑瘤
Baiju Babu Vimala1, Saravanan Srinivasan2, Sandeep Kumar Mathivanan3
1School of Computer Science and Engineering, Vellore Institute of Technology, Vellore, 632014, Tamil Nadu, India.
Scientific reports
|December 28, 2023
概括
这项研究使用转移学习对脑瘤分类进行了微调的EfficientNets. 从MRI扫描中,EfficientNetB2在识别质瘤,脑膜瘤和垂体瘤方面达到99.06%的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 深度学习用于诊断.
背景情况:
- 准确的脑瘤分类对于有效的治疗和患者的治疗结果至关重要.
- 磁共振成像 (MRI) 是用于脑瘤诊断的关键非侵入性工具.
- 深度学习,特别是卷积神经网络 (CNN),已经增强了医学图像的解释.
研究的目的:
- 通过使用EfficientNets.使用转移学习方法对脑瘤 (瘤,脑膜瘤,垂体) 进行分类.
- 在CE-MRI Figshare数据集上评估微调的EfficientNet模型 (B0-B4) 的性能.
- 分析数据增强的影响,并使用Grad-CAM可视化模型决策.
主要方法:
- 基于转移学习的精细调整预先训练的EfficientNet模型 (B0-B4),并使用ImageNet权重初始化.
- 为大脑瘤分类任务添加自定义层.
- 利用了CE-MRI的Figshare数据集,并结合了数据增强技术.
- 采用Grad-CAM可视化模型注意力和突出显示瘤区域.
主要成果:
- 在经过测试的EfficientNet模型中,EfficientNetB2表现出了卓越的性能.
- 实现了高性能指标:总体测试准确率为99.06%,精度为98.73%,回忆率为99.13%,F1得分为98.79%.
- 格拉德-CAM可视化有效地识别了瘤位置,有助于理解模型预测.
结论:
- 精心调整的EfficientNetB2提供了一个高度准确和强大的解决方案,用于从MRI中分类常见的大脑瘤类型.
- 使用EfficientNets的转移学习方法显示了改善自动脑瘤诊断的重大前景.
- 数据增强和可视化技术提高了医疗成像应用中的模型可靠性和可解释性.
