通过深度学习和通道智能注意模式方法的融合进行了强大的脑瘤分类
Balamurugan A G1, Saravanan Srinivasan1, Preethi D2
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, 600062, India.
BMC medical imaging
|June 17, 2024
概括
这项研究介绍了ResNet101-CWAM,这是一种用于脑瘤分类的深度学习模型. 它实现了高精度,提高了诊断效率和医疗成像中的患者结果.
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:
- 脑瘤诊断依赖于专家对复杂医学图像的解释.
- 深度学习为更准确,更有效的诊断评估提供了潜力.
- 深度学习中注意力机制对脑瘤分类的具体影响尚不清楚.
研究的目的:
- 研究ResNet101的有效性与道智能注意模块 (CWAM) 结合用于脑瘤分类.
- 将拟议的ResNet101-CWAM模型的性能与传统的深度学习方法进行比较.
- 评估先进深度学习的潜力,以提高神经瘤学中的诊断准确性.
主要方法:
- 使用 ResNet101 架构与通道智能注意模块 (CWAM) 集成.
- 在用于脑瘤分类的数据集上训练和评估ResNet101-CWAM模型.
- 与传统卷积神经网络 (ConvNet) 模型进行性能指标的比较.
主要成果:
- 与传统的深度学习方法相比,ResNet101-CWAM实现了更高的性能.
- 取得了卓越的指标:准确率为99.83%,回忆率为99.21%,精度为99.01%,F1得分为99.27%,AUC为99.16%.
- 证明了注意力机制在提高分类准确性的有效性.
结论:
- ResNet101-CWAM显著提高了脑瘤分类的准确性和效率.
- 该模型对临床决策和治疗策略有重大影响.
- 将其集成到临床软件中可以增强诊断工作流程和患者护理.
