面具基于区域的卷积神经网络和VGG-16启发的大脑瘤细分
Niha Kamal Basha1, Christo Ananth2,3, K Muthukumaran4
1School of Computer Science and Engineering, Vellore Institute of Technology (VIT), Vellore, Tamil Nadu, India.
Scientific reports
|July 30, 2024
概括
这项研究引入了一种有效的脑瘤检测方法,使用MRI扫描的深度学习. 拟议的模型实现了近99%的准确性和灵敏度,显著提高了诊断能力.
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
- 神经瘤学 诊断 诊断 诊断
背景情况:
- 脑瘤细分对于准确的诊断和治疗计划至关重要.
- 磁共振成像 (MRI) 是检测大脑异常的标准.
- 现有的方法需要改进,以提高瘤定位的精度.
研究的目的:
- 利用深度学习开发一种有效和高度准确的脑瘤检测方法.
- 为了提高医疗专业人员的诊断准确度.
- 利用先进的人工智能技术进行精确的瘤细分和识别.
主要方法:
- 使用基于区域的卷积神经网络 (R-CNN) 面具进行细分.
- 雇佣Grad-CAM和转移学习以有效检测瘤.
- 训练模型使用Inception V3,VGG-16和ResNet-50架构在大脑MRI图像大脑瘤检测数据集上.
主要成果:
- 基于转移学习的模型表现出高度的灵敏度和准确性.
- 实现了大约99%的准确度和灵敏度,超过了当前的方法.
- 用回忆,特异性,敏感性,准确性,精度和F1分数来评估性能.
结论:
- 拟议的方法在脑瘤检测准确度方面取得了显著的进步.
- 深度学习模型,特别是VGG-16的影响,显示出临床应用的巨大潜力.
- 这种方法有助于临床医生进行高度准确的诊断,改善患者的治疗结果.


