在常规MRI上进行质瘤分级的深度CNN:性能分析,挑战和未来方向
Sonam Saluja1, Munesh Chandra Trivedi1, Ashim Saha1
1Department of Computer Science and Engineering, National Institute of Technology Agartala, Tripura 799046, India.
Mathematical biosciences and engineering : MBE
|June 14, 2024
概括
深层卷积神经网络 (DCNNs) 显示出使用MRI扫描对脑质瘤进行分级的前景,实现高精度. 需要进一步的研究来解决数据集的局限性,并标准化可靠的瘤分类方法.
科学领域:
- 神经科学是一个神经科学.
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
背景情况:
- 由于高死亡率,质瘤瘤对全球健康构成重大挑战.
- 目前的结质瘤诊断依赖于主观医学图像分析和侵入性活检.
- 深层卷积神经网络 (DCNNs) 为质瘤分级提供了一个有前途的计算机辅助替代方案.
研究的目的:
- 通过使用大脑MRI数据,回顾DCNN对质瘤分级的最新进展.
- 评估各种DCNN架构在分类质瘤等级方面的性能.
- 确定挑战,并建议DCNN在神经瘤学中的应用的未来方向.
主要方法:
- 从2015年到2023年,对DCNN在质瘤分级中的应用进行系统审查.
- 评估不同的DCNN架构,包括混合和组合模型.
- 分析报告的绩效指标,重点关注准确性.
主要成果:
- DCNN已经证明了从脑MRI来分类质瘤的显著潜力.
- 混合和集体DCNN模型实现了高精度,高达98.91%的精度.
- 关键的挑战包括有限的数据集大小,缺乏外部验证和不一致的分级标准.
结论:
- DCNNs是客观质瘤分级的有效工具,改进了传统方法.
- 解决数据限制和标准化方法将提高DCNN的可靠性.
- 在DCNNs的进步可以改善脑瘤的分类,并可能有助于诊断其他神经系统疾病.
