NeuroNet19:一种可解释的深度神经网络模型,用于使用磁共振成像数据对脑瘤进行分类
Rezuana Haque1, Md Mehedi Hassan2, Anupam Kumar Bairagi3
1Computer Science and Engineering, BGC Trust University Bangladesh, Chittagong, Bangladesh.
Scientific reports
|January 17, 2024
概括
新型深度学习模型NeuroNet19准确地检测出99.3%的脑瘤 (BTs). 可解释的人工智能提高了分类质瘤,脑膜瘤和垂体瘤的透明度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 大脑瘤 (BTs) 是死亡的一个重要原因.
- 深度学习 (DL) 对BT检测和分类有希望.
- 现有的方法可能会在瘤大小和位置的变化方面扎.
研究的目的:
- 介绍NeuroNet19,一个用于脑瘤分类的新型深度神经网络.
- 使用反向金字塔聚合模块 (iPPM) 增强特征提取.
- 通过可解释AI (XAI) 技术确保模型透明度.
主要方法:
- 开发了NeuroNet19,一个使用VGG19骨干和iPPM的DL架构.
- 实施本地可解释的模型不可知解释 (LIME) 以实现模型可解释性.
- 在一个公开的数据集上训练和评估该模型,该数据集包括四个类别的7023张脑瘤图像.
主要成果:
- NeuroNet19 实现了 99.3% 的高精度.
- 精度,回忆和F1分数达到99.2%.
- 科恩·卡帕系数 (CKC) 为99%,表明了很好的协议.
结论:
- NeuroNet19在脑瘤分类方面表现出卓越的表现.
- iPPM有效地捕获多个规模的上下文信息,以进行强大的功能增强.
- 整合LIME为模型预测提供了关键的见解,确保了问责制.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
04:25Author Spotlight: Bridging Gaps in Anatomy and Establishing a Foundation for Algorithmic Studies
Published on: December 15, 2023
2.4K
