脑瘤MRI分类使用新型深度残留和区域CNNCNN
Mirza Mumtaz Zahoor1, Saddam Hussain Khan2, Tahani Jaser Alahmadi3
1Faculty of Computer Sciences, Ibadat International University, Islamabad 44000, Pakistan.
Biomedicines
|July 27, 2024
概括
一个新的深度学习模型Res-BRNet准确地从MRI扫描中分类大脑瘤. 这种先进的卷积神经网络 (CNN) 显示出高精度,可改善临床诊断和治疗规划.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 人工智能在医学中的应用
- 计算神经科学是一种神经科学.
背景情况:
- 脑瘤分类对于有效的临床诊断和治疗计划至关重要.
- 深度学习模型为脑瘤分类提供了潜在的潜力,但由于瘤的复杂性和多样性而面临挑战.
- 准确的分类有助于确定适当的治疗策略和患者管理.
研究的目的:
- 介绍Res-BRNet,一种新的深度残留和基于区域的卷积神经网络 (CNN),用于使用MRI进行脑瘤分类.
- 增强关键瘤特征的提取,包括同质性,异质性和边界信息.
- 提高自动脑瘤分类的准确性和效率.
主要方法:
- 开发了Res-BRNet,这是一个CNN架构,在空间和残余块内集成区域和边界操作.
- 空间块的设计是为了提取同质性,异质性和边界特征.
- 剩余块被用来捕捉MRI扫描中的本地和全球纹理变化.
主要成果:
- 在多样化的脑瘤数据集 (Br35H,figshare) 上,Res-BRNet实现了高性能.
- 该模型表现出极好的准确性 (98.22%),灵敏度 (0.9811),F1得分 (0.9841),精度 (0.9822).
- 在脑瘤分类任务中,Res-BRNet的表现优于标准的CNN模型.
结论:
- Res-BRNet显示显著的承诺作为一个工具,用于准确的脑瘤分类从MRI扫描.
- 拟议的架构有效地解决了脑瘤成像的复杂性.
- 这种方法有可能提高临床诊断和简化治疗计划.
