一个XAI增强的高效NetB0框架用于MRI成像中的精确脑瘤检测
Mahesh T R1, Muskan Gupta1, Anupama T A2
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), Bangalore 562112, India.
Journal of neuroscience methods
|July 22, 2024
概括
这项研究引入了一种人工智能模型,用于从MRI扫描中准确诊断脑瘤,达到98.72%的准确性. 可解释的人工智能技术提供视觉见解,增强信任和潜在的临床采用,以提高诊断可靠性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 机器学习用于诊断.
背景情况:
- 通过MRI准确诊断脑瘤对于治疗计划至关重要.
- 传统的诊断依赖于放射科医生的专业知识,但人工智能提供了更高的准确性.
- 人工智能缺乏透明度阻碍了临床采用.
研究的目的:
- 开发一种人工智能模型,用于准确和可解释的脑瘤分类.
- 将可解释的AI技术与用于医疗图像分析的深度学习模型相结合.
- 提高诊断可靠性,促进人工智能在神经瘤学中的临床应用.
主要方法:
- 利用EfficientNetB0深度学习架构进行脑瘤分类.
- 集成可解释的AI (XAI) 技术,特别是Grad-CAM可视化.
- 应用该模型对MRI扫描进行分类,分为四类:质瘤,脑膜瘤,没有瘤和垂体.
主要成果:
- 在大脑瘤中获得了98.72%的高分类准确度.
- 在所有瘤类别中,精度和回忆率超过97%.
- 通过Grad-CAM热图验证了XAI,显示与诊断标记器的对齐.
结论:
- 使用人工智能增强的EfficientNetB0框架与XAI显著提高了脑瘤分类的准确性.
- 该模型提供了清晰的视觉见解,增加了诊断可靠性和信任.
- 这种方法显示出在医学诊断中临床采用的巨大潜力.
