使用双重DCNN方法进行癌症和非癌症MRI分类
Zubair Saeed1,2, Othmane Bouhali2,3,4, Jim Xiuquan Ji1,2
1Department of Electrical & Computer Engineering, Texas A&M University, College Station, TX 47080, USA.
Bioengineering (Basel, Switzerland)
|May 25, 2024
概括
一个新的双深卷积神经网络 (DCNN) 模型准确地从MRI扫描中分类脑癌. 这种深度学习方法显著优于现有模型,为早期瘤检测提供了一个有前途的工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 脑癌的诊断依赖于医学成像,但手动分析对于大数据集来说是缓慢和低效的.
- 早期和准确的诊断对于有效的脑癌治疗和患者的生存至关重要.
- 深度学习 (DL) 为分析复杂的医疗数据提供了先进的功能,例如MRI扫描.
研究的目的:
- 开发和评估一种新的双深卷积神经网络 (DCNN) 模型,用于准确分类癌症和非癌症大脑MRI样本.
- 用人工智能提高脑瘤检测的效率和准确性.
主要方法:
- 设计了一个双DCNN模型,集成InceptionV3和DenseNet121架构.
- 用全球最大集成层提取特征,并通过五个完全连接的层进行重新训练以进行分类.
- 该模型的性能与几个已建立的DL模型进行了比较,包括ResNet,EfficientNetB2和VGG16.
主要成果:
- 双DCNN模型实现了高性能指标:99%的准确性,99%的精度,98%的回忆和99%的F1得分.
- 与其他领先的DL模型相比,拟议的模型在各种学习速率上表现出优异的性能.
- 该研究强调了双DCNN在分类大脑MRI样本中的有效性.
结论:
- 新的双DCNN模型提供了一种非常准确和高效的方法,用于通过MRI扫描检测脑癌.
- 这种深度学习方法在诊断性能方面超越了传统方法和现有的DL模型.
- 这些发现表明,人工智能驱动的医疗图像分析在神经瘤学方面取得了重大进展.
关键词:
在VGG16中,VGG16是VGG16中的一个.亚历克斯 亚历克斯网这是分类分类的分类.深层卷积神经网络是一个深层卷积神经网络.深度学习是一种深度学习.密集的网121 密集的网121双 DCNN 模型有效的NetB2 有效的NetB2开始V3开始V3在 leNet-5 中,您可以使用 leNet-5 .学习率的学习率是什么机器学习是机器学习.磁共振成像技术的使用在 resNet18 中使用 resNet18在 resNet34中使用 resNet34在 resNet50 中使用 resNet50squeezeNet 这是一个很好的选择.更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
