新型条件深度卷积神经网络模型的比较分析,使用条件深度卷积生成对立网络生成的合成和增强脑瘤数据集用于图像分类
Efe Precious Onakpojeruo1,2, Mubarak Taiwo Mustapha1,2, Dilber Uzun Ozsahin3,4,1
1Operational Research Centre in Healthcare, Near East University, TRNC Mersin 10, Nicosia 99138, Turkey.
Brain sciences
|June 27, 2024
概括
生成对抗网络 (GAN) 创建合成医疗数据以克服数据集稀缺性和隐私问题. 这项研究表明,GAN生成的数据显著提高了使用新型条件深卷积神经网络 (C-DCNN) 模型的脑瘤分类准确度.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 疾病预测模型受到有限的医疗数据集和隐私问题所阻碍.
- 生成对抗网络 (GAN) 通过创建合成数据来提供解决方案,该数据保留数据特征,同时保护患者的隐私.
- 合成数据生成对于在医疗保健中推进机器学习至关重要.
研究的目的:
- 评估一种用于脑瘤分类的新型条件深度卷积神经网络 (C-DCNN) 模型.
- 评估使用GAN生成的合成数据和传统增强技术用于模型训练的有效性.
- 将C-DCNN模型的性能与已建立的深度学习架构进行比较.
主要方法:
- 利用先进的GAN模型,包括条件深度卷积生成对立网络 (DCGAN),生成合成脑瘤数据集.
- 应用传统的数据增强技术来创建额外的训练数据集.
- 在合成和增强数据集上训练和评估C-DCNN模型,与ResNet50,VGG16,VGG19和InceptionV3.3进行基准测试.
主要成果:
- 在合成和增强数据集上,C-DCNN模型实现了99%的准确性,精度,回忆和F1分数.
- 这种C-DCNN模型的表现明显超过了先进的比较模型 (ResNet50,VGG16,VGG19,InceptionV3).
- 由GAN生成的合成数据在训练强大的医学图像分类模型方面被证明是有效的.
结论:
- 由GAN生成的合成数据是一种可行的和有效的方法,可以增强用于医学图像分类的机器学习模型训练.
- 该方法解决了数据稀缺性和隐私问题,使得在临床环境中改善疾病预测和诊断.
- 开发的C-DCNN模型表现出高性能,突出了其对现实世界的应用的潜力.
关键词:
在C-DCNN模型中.在DCGAN中使用DCGAN.这是一把手枪.增强数据集增强数据集大脑瘤是个大脑瘤图像数据集是一组图像数据集.脏瘤脏瘤是什么模型的性能模型的性能.合成数据集是一种合成数据集.更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
