使用磁共振成像进行脑瘤多重分类的新型整体框架

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 大脑瘤对健康构成重大风险,需要早期和准确的检测才能有效治疗.
• 卷积神经网络 (CNN) 对医疗图像分析有价值,但在有限的数据集上难以适应.
• 现有的研究经常采用转移学习和合奏方法来解决CNN的局限性.

研究的目的:

• 开发和验证一个强大的框架用于脑瘤分类,使用一组CNN模型.
• 为解决在脑瘤检测中集体技术的最佳模型权重中发现的差距.
• 为了提高自动脑瘤诊断的准确性和可靠性.

主要方法:

• 在三个不同的脑瘤数据集上使用转移学习和微调训练多个具有不同架构的CNN模型.
• 采用粒子群优化算法来确定组合前五个CNN模型组合的最佳重量.
• 在三个数据集中评估框架的性能.

主要成果:

• 实现了高分类准确率:99.35% (数据集1),98.77% (数据集2) 和99.92% (数据集3).
• 获得了优秀的F1分数:99.20% (数据集1),98.92% (数据集2) 和99.92% (数据集3).
• 与现有研究相比,表现出优越的性能,突出了框架的可靠性.

结论:

• 拟议的合奏CNN框架提供了可靠和高度准确的脑瘤分类.
• 优化的权重策略提高了整体在检测脑瘤方面的有效性.
• 这一框架为临床医生提供了宝贵的决策支持,通过早期诊断改善了患者的治疗结果.