完善神经网络算法,以在MRI图像中准确地分类脑瘤
Asma Alshuhail1, Arastu Thakur2, R Chandramma3
1Department of Information Systems, College of Computer Sciences and Information Technology, King Faisal University, Hofuf, Saudi Arabia.
BMC medical imaging
|May 21, 2024
概括
使用卷积神经网络 (CNN) 的新型深度学习模型显著改善了MRI扫描中的脑瘤诊断,达到98%的准确性. 这种人工智能方法提高了复杂病例的诊断可靠性和速度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 通过MRI诊断脑瘤是具有挑战性的,因为复杂的外观和变化.
- 传统的方法 (手动审查,传统的机器学习) 遭受人类错误,主观性和有限的准确性.
- 高维的MRI数据和复杂的瘤模式给现有技术带来了困难.
研究的目的:
- 开发和评估一种深度学习模型,用于使用MRI扫描进行准确和可靠的脑瘤诊断.
- 克服手动解释和传统机器学习在脑瘤检测中的局限性.
- 为了提高诊断的准确性和效率,从医疗图像识别脑瘤.
主要方法:
- 设计了一种连续卷积神经网络 (CNN) 架构,结合卷积,最大聚合和脱落层.
- 密集的层被用于最终的脑瘤的分类.
- 使用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性.
主要成果:
- 拟议的深度学习模型在测试数据集上实现了98%的整体诊断准确度.
- 精度,回忆和F1分数在瘤类别中从97%到98%不等.
- 在曲线下接收器运行特征面积 (ROC-AUC) 值在99%至100%之间,表明模型的高性能.
结论:
- 深度学习,特别是CNN,在MRI的脑瘤诊断准确度方面提供了显著的进步.
- 该模型提供可靠和可解释的诊断见解,解决了对快速和准确工具的需求.
- 这种由人工智能驱动的方法有可能通过实现更早,更精确的诊断来改善患者的治疗结果.
