超调深度学习框架的设计和开发,用于使用医学大脑MRI图像检测和重度分级脑瘤
Neha Bhardwaj1, Meenakshi Sood2, Sandeep Singh Gill3
1National Institute of Technical Teachers Training and Research, Electronics & Communication Engineering, India.
Current medical imaging
|March 18, 2024
概括
本研究介绍了用于自动脑瘤检测和分类的两种深度学习模型. 这些先进的计算机辅助检测 (CAD) 系统实现了高精度,为手工方法提供了更有效的替代方案.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 深度学习用于瘤学
背景情况:
- 脑瘤是全球死亡的一个重要原因.
- 目前的检测和分类方法是手动的,侵入性的,主观的,并依赖于组织病理学.
- 自动计算机辅助检测 (CAD) 系统可以解决传统诊断方法的局限性.
研究的目的:
- 开发两种基于深度学习的CAD框架,用于自动检测脑瘤和严重程度分级.
- 模型1:在MRI图像中检测大脑瘤.
- 模型2:根据严重程度将瘤分为质瘤,脑膜瘤和垂体瘤类型.
主要方法:
- 新的深度学习框架架构被设计用于脑瘤检测和分类.
- 进行了超参数调整,以优化模型性能并最大限度地减少损失.
- 卷积神经网络 (CNN) 模型被用于图像分析.
主要成果:
- 拟议的CNN模型用于脑瘤检测,在BraTs数据集上实现了98.56%的准确性.
- 瘤严重程度分级的CNN模型在BraTs数据集上实现了92.36%的准确性.
- 与现有的最先进的方法相比,开发的模型在准确性和模型复杂性方面表现出更高的性能.
结论:
- 拟议的CNN模型比现有方法提供了更高的准确性和更少的复杂性.
- 这些模型具有较低的训练和测试错误,使它们可靠.
- CNN模型适用于临床诊断支持,有助于验证初始脑瘤查和多重分类.
