使用正确的直角分解与深度学习网络集成的脑瘤检测

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:

• 大脑瘤破坏正常功能,需要准确及时检测.
• 机器学习有助于诊断,但有限的数据给培训带来了挑战.
• 与机器学习集成的低阶模型为可靠的检测提供了可行的解决方案.

研究的目的:

• 为了比较正确的直角分解 (POD) 与卷积神经网络 (CNN) 的有效性,与在MRI扫描中识别脑瘤的最先进模型进行比较.
• 评估POD-CNN模型和转移学习模型 (MobileNetV2,Inception-v3,ResNet101,VGG-19) 的可解释性和性能.
• 以有限的数据来证明低模型方法的实用性,以提高大脑瘤检测的准确性.

主要方法:

• 利用2D磁共振成像 (MRI) 扫描来检测大脑瘤.
• 实现并比较了正确直角分解 (POD) 和卷积神经网络 (CNN) 合模型.
• 评估的预训练转移学习模型:MobileNetV2,Inception-v3,ResNet101和VGG-19. 这两种学习模式都在进行预训练.
• 采用可解释的人工智能技术,特别是SHAP,用于模型解释性.

主要成果:

• 标准的CNN在瘤预测中实现了99.21%的准确性.
• 结合的POD-CNN模型在计算时间的约三分之一时间内显示出可比的准确性 (95.88%).
• 可解释性AI (SHAP) 表示MobileNetV2在划定瘤边界方面具有优越的性能.

结论:

• 适当的正交分解 (POD) 与卷积神经网络 (CNN) 的整合代表了使用最小MRI数据进行脑瘤检测的新方法.
• 这项研究强调了低模型机器学习方法的潜力,以提高瘤检测的准确性和效率.
• 这些发现支持开发更容易获得和计算效率更高的AI工具用于医学诊断.