BT-CNN:一个平衡的二进制树架构,用于用MRI成像对脑瘤进行分类
Sohamkumar Chauhan1, Ramalingaswamy Cheruku2, Damodar Reddy Edla1
1Department of CSE, National Institute of Technology Goa, Ponda, Goa, India.
Frontiers in physiology
|April 26, 2024
概括
一个新的平衡双树卷积神经网络 (BT-CNN) 显著提高了脑瘤分类的准确性. 与现有方法相比,这种深度学习模型在培训和测试方面都取得了卓越的表现.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 深度学习用于诊断.
背景情况:
- 深度学习,特别是卷积神经网络 (CNN),对于临床诊断和治疗至关重要.
- 准确的脑瘤鉴定对于有效的患者治疗至关重要.
- 现有的CNN模型在平衡计算时间和内存使用方面面临挑战.
研究的目的:
- 提出一种新的平衡二进制树CNN (BT-CNN),用于增强脑瘤分类.
- 通过平衡卷积和深度可分离卷积模块来优化性能.
- 提高自动脑瘤检测的准确性和效率.
主要方法:
- 开发一种独特的BT-CNN架构,灵感来自二进制树.
- 在BT-CNN中实施不同的卷积和深度可分离的卷积组.
- 使用CLAHE进行医疗图像的预处理,剥离,裁剪和缩放.
- 使用5倍交叉验证来进行稳健的模型培训和测试.
- 与最先进的模型进行比较分析,包括CNN-KNN,Musallam等人,Saikat等人和Amin等人.
主要成果:
- 拟议的BT-CNN实现了99.61%的平均训练准确度.
- BT-CNN的测试准确率为96.06%,明显优于其他模型 (68.86%至90.41%).
- 该模型在所有折叠中显示了准确度的最低标准偏差,表明了高稳定性和可靠性.
结论:
- BT-CNN在脑瘤分类准确性和效率方面取得了重大进展.
- 平衡的架构有效地优化了计算时间和内存使用.
- 这种深度学习方法对改善神经系统疾病的临床诊断工具充满希望.
