EDLNet:集体深度学习网络模型用于自动脑瘤分类和细分
Surendra Reddy Vinta1, Phaneendra Varma Chintalapati2, Gurujukota Ramesh Babu2
1School of Computer Science and Engineering, VITAP University, Andhra Pradesh, India.
Journal of biomolecular structure & dynamics
|February 12, 2024
概括
这项研究引入了一个集体深度学习网络 (EDLNet),用于从MRI扫描中准确检测和细分脑瘤. 该模型实现了高精度,超过了早期癌症诊断的现有方法.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 神经外科手术 神经外科手术
背景情况:
- 大脑瘤是一种严重的癌症疾病,其特征是异常的细胞分裂.
- 手术干预是脑瘤的主要治疗方式.
- 深度学习显示出生物医学中疾病检测和治疗的重大前景.
研究的目的:
- 为大脑瘤分类和细分提出一个新的集体深度学习网络 (EDLNet).
- 为了提高MRI扫描中检测癌症与非癌症大脑组织的准确性.
- 开发一种使用深度反复卷积神经网络的早期脑瘤诊断方法.
主要方法:
- 利用修改后更快的RCNN用于将脑部MRI扫描分类为癌症或非癌症.
- 实施了深度反复卷积神经网络 (DRCNN) 用于早期脑瘤细分.
- 在两个不同的公共数据集 (D1和D2) 上评估了拟议的EDLNet模型.
主要成果:
- 该EDLNet模型在MRI图像中对大脑组织进行细分时表现出高准确度.
- 在D1数据集上达到99.76%的准确度,在D2数据集上达到99.87%的准确度.
- 实验结果表明,与最先进的网络模型相比,性能优越.
结论:
- 拟议的EDLNet模型有效地从MRI扫描中对脑瘤进行分类和细分.
- 基于DRCNN的诊断方法有助于早期发现脑瘤.
- EDLNet模型代表了人工智能驱动的大脑瘤分析的重大进步.
