设计一种深度混合的残留和SE模型,用于基于MRI图像的脑瘤预测
S Saran Raj1, B Surendiran2, S P Raja3
1Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, India.
Journal of clinical ultrasound : JCU
|April 3, 2024
概括
这项研究引入了一种使用合成磁共振成像 (MRI) 图像和深度学习的新型脑瘤检测系统. 这种创新方法实现了98.79%的准确性,改善了对脑瘤的及时诊断.
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:
- 深度学习对于脑瘤检测至关重要,但手动对众多图像进行分类是缓慢的,容易出现错误.
- 在获得大型,高度分类的数据集以训练人工智能模型方面存在挑战.
- 及时诊断脑瘤至关重要,但经常受到当前检测方法的阻碍.
研究的目的:
- 开发一种新的脑瘤检测系统,以克服数据集采集的挑战.
- 通过深度学习提高脑瘤检测的准确性和效率.
- 为在MRI扫描中识别脑瘤创造一个具有成本效益的解决方案.
主要方法:
- 合成磁共振成像 (MRI) 图像的生成以模仿真实大脑MRI模式.
- 使用混合ResNet+SE模型来平衡最初不平衡的数据集并捕获特征分布.
- 采用定制的深度学习分类器,用于在MRI图像中准确识别脑瘤.
主要成果:
- 获得了98.79%的高脑瘤检测准确率.
- 证明了合成数据生成在改善模型性能方面的有效性.
- 在医学成像深度学习中成功解决了小型,不平衡数据集的挑战.
结论:
- 拟议的系统为大脑瘤检测提供了一个有前途,高效和低成本的解决方案.
- 合成MRI图像生成可以显著帮助克服AI模型训练的数据限制.
- 混合ResNet+SE模型和量身定制的分类器组合提高了神经瘤学的诊断准确性.
