一个基于深度学习的智能决策支持系统,用于自动检测脑瘤

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:

• 大脑瘤 (BT) 是死亡的一个重要原因,需要先进的诊断工具.
• 计算机辅助诊断系统 (CAD),特别是深度学习,正在彻底改变医学图像分析.
• 卷积神经网络 (CNN) 擅长从医学图像中提取特征以检测疾病.

研究的目的:

• 开发和评估深度学习模型,从医学图像中自动检测大脑瘤.
• 将从头开始开发的CNN与转移学习模型 (VGG-16,VGG-19,LeNet-5) 的性能进行比较.
• 建立一个智能决策支持系统用于脑瘤诊断.

主要方法:

• 利用深度学习方法从脑图像中提取特征,用于BT检测.
• 开发并测试了CNN模型,包括VGG-16,VGG-19和LeNet-5,用于脑瘤分类.
• 采用数据增强来增加数据集大小和超参数调整以实现模型优化.

主要成果:

• VGG模型表现出卓越的性能,达到99.24%的准确性,99%的精度,99%的回忆,99%的特异性和99%的F1分数.
• 拟议的模型在精度,灵敏度,特异性和F1分数方面超过了现有的最先进方法.
• 对比分析证实了开发模型的可靠性和有效性.

结论:

• 深度学习模型,特别是VGG变体,在从医学图像中检测大脑瘤方面表现出很高的有效性.
• 开发的系统作为一个可靠的工具,以帮助医疗从业者诊断大脑瘤.
• 这项研究强调了先进人工智能的潜力,提高了诊断准确性和患者的治疗结果.