一种混合深度CNN模型用于脑瘤图像多重分类.
Saravanan Srinivasan1, Divya Francis2, Sandeep Kumar Mathivanan3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr.Sagunthala R&D Institute of Science and Technology, Chennai, 600062, India.
BMC medical imaging
|January 19, 2024
概括
这项研究引入了一种深度卷积神经网络 (CNN) 系统,用于自动化脑瘤分类. 新的CNN模型在检测,打字和分类脑瘤方面取得了很高的准确性,改进了传统方法.
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:
- 活检样本的组织学评估是目前用于脑瘤诊断和分类的标准.
- 这种传统方法具有侵入性,耗时,容易出现手动错误,突出了对先进自动化系统的需求.
研究的目的:
- 开发和评估一个完全自动化的,基于深度学习的多分类系统,用于使用深度卷积神经网络 (CNN) 的脑癌.
- 为了提高早期发现和精确分类脑瘤.
主要方法:
- 开发针对特定分类任务的三个不同的CNN模型:瘤检测,多类型分类 (正常,质瘤,脑膜瘤,垂体,转移性) 和瘤分类.
- 利用网格搜索优化方法对CNN模型进行自动超参数调整.
- 在大型,公开可访问的临床数据集上训练并验证的模型.
主要成果:
- 第一个CNN模型在脑瘤检测方面实现了99.53%的准确性.
- 第二个CNN模型准确地将瘤分为五种类型,准确率为93.81%.
- 第三个CNN模型在分类瘤等级方面实现了98.56%的准确性.
- 提出的深度CNN模型的表现优于经典模型,如AlexNet,DenseNet121,ResNet-101,VGG-19和谷歌网.
结论:
- 与传统方法相比,开发的基于深度CNN的系统为脑瘤分类提供了一种优越的,自动化的方法.
- 这些模型表现出高精度和可靠性,为改进早期发现和诊断脑瘤铺平了道路.
- 这项研究通过深度学习显著推进了通过深度学习自动化脑瘤分析领域.
