卷积神经网络的性能用于使用磁共振成像对脑瘤的分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 由于瘤异质性,脑瘤的分类是复杂的.
• 深度学习显示了准确的瘤检测和分类的前景.
• 缺乏深度学习技术用于脑瘤分类的标准化比较.

研究的目的:

• 分析和比较各种卷积神经网络 (CNN) 的性能,用于脑瘤分类.
• 评估不同的深度学习架构,包括自定义的CNN,VGG,ResNet,EfficientNet和ConvNeXt.
• 评估培训策略 (如转移学习和微调) 对分类准确性的影响.

主要方法:

• 利用了两个磁共振成像 (MRI) 数据集,包括3000多张质瘤,脑膜瘤,垂体瘤和健康组织的图像.
• 实现并比较一个自定义的CNN,VGG,ResNet,EfficientNet和ConvNeXt架构.
• 评估模型使用从零开始的训练,数据增强,转移学习和微调,优化训练和验证集上的超参数.

主要成果:

• 几个CNN实现了高精度,最好的模型达到98.7%.
• 平均精度因瘤类型而异:质瘤 (94.3%),脑膜瘤 (93.8%),垂体瘤 (97.9%) 和非瘤图像 (95.3%).
• 移动网络和EfficientNet在准确性和计算复杂性方面表现出卓越的性能,训练时间快,图像吞吐量高.

结论:

• 深度学习模型,特别是像MobileNet和EfficientNet这样的高效架构,对于使用MRI数据进行脑瘤分类非常有效.
• 转移学习与微调相结合是最大限度地提高分类准确性的最有效策略.
• 虽然数据增强并没有持续提高准确性,但高效的模型提供了高性能和计算可行性的平衡.