CVG-Net:基于深度特征的新型转移学习,用于使用MRI扫描诊断脑瘤
Shaha Al-Otaibi1, Amjad Rehman2, Ali Raza3
1Department of Information Systems, Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.
PeerJ. Computer science
|June 10, 2024
概括
一种新的神经网络方法,CVG-Net,有效地使用MRI扫描来诊断大脑瘤. 这种方法达到0.96准确度,为早期检测和治疗规划提供了更快,更具成本效益的工具.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 大脑瘤对健康构成重大挑战,需要准确和及时的诊断才能进行有效的治疗.
- 磁共振成像 (MRI) 对于非侵入性可视化和大脑异常检测至关重要.
- 死亡率的上升凸显了改善诊断工具的迫切需要.
研究的目的:
- 提出一种有效的神经网络方法,以便通过MRI及时诊断大脑瘤.
- 开发一种结合2D卷积神经网络 (2DCNN) 和VGG16用于脑瘤分类的新型特征工程方法.
- 在大型多类MRI数据集上评估拟议模型的诊断性能.
主要方法:
- 利用了21,672张多类MRI图像 (瘤,脑膜瘤,垂体瘤) 的数据集.
- 开发了一种混合2DCNN-VGG16网络 (CVG-Net) 用于自动空间特征提取.
- 应用合成少数群体过量采样技术 (SMOTE) 用于数据平衡和k-邻居分类器用于诊断.
- 采用超参数调整来优化模型性能.
主要成果:
- 拟议的CVG-Net与k-邻居分类器相结合,实现了0.96.9的k倍精度.
- 通过CVG-Net提取的混合功能集在多类脑瘤诊断中表现出卓越的性能.
- 这种方法成功地平衡了数据集,并提高了分类准确性.
结论:
- 新的CVG-Net方法为早期和准确的脑瘤诊断提供了一个强大的工具.
- 这种方法有可能为医疗专业人员提供一个具有成本效益和及时的诊断解决方案.
- 这项研究证明了深度学习在通过MRI数据增强脑瘤检测方面的有效性.


