联合学习与转移学习的综合方法用于大脑瘤的分类和诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 通过MRI对脑瘤进行分类至关重要,但由于复杂的形态和成像变异而具有挑战性.
• 传统方法依赖于手动解释和传统的机器学习,在准确性,可扩展性和通用性方面面临局限性.
• 现有的方法往往涉及高手工干预,并与大型,多样化的数据集作斗争.

研究的目的:

• 开发一种自动化,准确的脑瘤分类模型,使用MRI图像上的联合学习和深度学习.
• 通过分散的培训,解决医疗成像中的数据隐私问题.
• 改善传统方法在脑瘤诊断中的局限性.

主要方法:

• 开发了一个基于联合学习的深度学习模型,使用修改后的VGG16架构.
• 使用转移学习,利用预训练的卷积神经网络 (CNN) 进行增强的特征提取.
• 该模型在组合数据集 (figshare,SARTAJ,Br35H) 上进行训练,使用分散的,保护隐私的联合学习方法.

主要成果:

• 该模型实现了高分类精度:质瘤为0.99,脑膜瘤为0.95,无瘤为1.00,垂体瘤为0.98.
• 与高回忆率和F1分数的现有方法相比,表现出优异的性能.
• 在分类各种类型的大脑瘤方面取得了98%的整体准确性.

结论:

• 联合学习和转移学习为使用MRI进行脑瘤分类提供了一种变革性的方法.
• 拟议的模型提供准确的,保护隐私的,自动诊断,增强临床决策.
• 这种方法显示出在医学成像中改善脑瘤检测和管理的巨大潜力.