集成卷积神经网络与注意力机制,用于基于磁共振成像的脑瘤分类

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 传统的磁共振成像 (MRI) 用于脑瘤分类是复杂和耗时的.
• 深度学习 (DL) 提供医疗图像分析的自动化解决方案,克服了传统的诊断局限性.
• 卷积神经网络 (CNN) 对于图像分类和视觉感知任务是有效的.

研究的目的:

• 开发一种用于初级脑瘤分类的自动化系统,使用与CNN的新型混合注意力机制.
• 准确地识别和区分质瘤,脑膜瘤,垂体瘤和无瘤病例.
• 评估拟议的算法的性能与已建立的预训练模型相比.

主要方法:

• 实现与CNN集成的混合注意力机制,用于脑瘤分类.
• 严格测试使用来自已建立文献来源的基准数据集.
• 与预先训练的模型进行比较分析,包括Xception,ResNet50V2,DenseNet201,ResNet101V2和DenseNet169.9.

主要成果:

• 拟议的混合注意力CNN模型实现了98.33%的分类准确性.
• 该系统表现出高精度和98.30%的回忆率和98.20%的F1得分.
• 该方法在识别常见的大脑瘤类型和优秀的概括能力方面表现出卓越的性能.

结论:

• 新的混合注意力CNN方法显著提高了脑瘤分类的准确性和效率.
• 这种自动化系统为医疗保健专业人员在诊断大脑疾病方面提供了宝贵的工具.
• 这些发现强调了先进的DL技术在改善医疗诊断和患者结果方面的潜力.