自动脑瘤诊断使用级联的深卷积神经网络与对称U-Net和不对称的残余块
Mahmoud Khaled Abd-Ellah1, Ali Ismail Awad2,3, Ashraf A M Khalaf4
1Faculty of Artificial Intelligence, Egyptian Russian University, Cairo, 11829, Egypt. mahmoud-khaled@eru.edu.eg.
Scientific reports
|April 25, 2024
概括
这项研究引入了使用深度学习进行脑瘤诊断的自动化系统. 该系统在MRI扫描中准确检测,分类和细分质母细胞瘤,提高诊断效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 对脑部MRI扫描进行手动分析以检测瘤是耗时的.
- 质母细胞瘤是一种侵略性的脑瘤,需要及时诊断.
- 卷积神经网络 (CNN) 的进步为自动化医疗图像分析提供了潜力.
研究的目的:
- 开发一个自动化系统用于检测,分类和细分质母细胞瘤使用CNNs.
- 从MRI数据提高脑瘤诊断的效率和准确性.
- 创建一个能够处理瘤分析不同方面的多阶段系统.
主要方法:
- 一个基于CNN的两阶段系统被开发用于脑瘤诊断.
- 第1阶段:MRI图像的检测和分类为正常,低级质瘤和高级质瘤 (质母细胞瘤).
- 第二阶段:使用跳过连接和残余单元在质瘤MRI图像中的瘤细分.
主要成果:
- 检测和分类阶段在2017年BraTS数据集 (1800张图像) 上实现了最大99%的准确性.
- 细分阶段表现出高性能,使用Dice得分,特异性和灵敏度进行评估.
- 这种基于深度学习的系统表现优于文献中报道的其他各种策略.
结论:
- 拟议的自动化系统在MRI扫描中诊断质母细胞瘤方面表现出高的准确性和有效性.
- 多阶段的方法,包括本地和全球特征,跳过连接和剩余单元是强大的.
- 这种深度学习系统为高效准确的脑瘤诊断提供了一个有希望的解决方案.
