细分协同与双U-Net和联合学习与CNNRF模型进行增强的大脑瘤分析
Vinay Kukreja1, Ayush Dogra1, Satvik Vats2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab, India.
Current medical imaging
|September 19, 2024
概括
这项研究引入了一种联合学习方法,将卷积神经网络 (CNN) 和随机森林 (RF) 与双U-Net细分相结合,用于从MRI扫描中准确识别脑瘤,确保数据隐私.
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:
- 脑瘤诊断带来了显著的成像挑战,需要精确区分正常和病变组织.
- 机器学习技术有可能从MRI数据中提高脑瘤识别的准确性.
- 联合学习在协作模式培训中解决了数据隐私方面的问题.
研究的目的:
- 评估一个集成卷积神经网络 (CNN) 和随机森林 (RF) 的联合学习方法的效率.
- 评估这种混合模型在预处理的MRI扫描中用于脑瘤识别的性能.
- 确保协作模式培训的隐私保护方法.
主要方法:
- 利用联合学习在各种数据集中训练CNN-RF模型,同时保持数据隐私.
- 应用了Median,Gaussian和Wiener过器用于MRI图像预处理,以减少噪音并促进特征提取.
- 采用双重U-Net架构进行细分,并使用精度,回忆,F1分数和准确度评估性能.
主要成果:
- 混合模型在本地数据集上实现了高分类性能,CRP从91.28%到95.52%不等.
- 联合平均结果是一个集体模型,准确率为97%,优于单个客户模型.
- 联合平均方法有效地将个别模型的洞察力整合到一个全球模型中,同时保持数据隐私.
结论:
- 集成的联合学习框架,CNN-RF混合模型和双U-Net细分提供了一个强大的,保护隐私的解决方案,用于脑瘤MRI识别.
- 这项研究表明,该技术有望提高脑瘤分类质量.
- 这种方法为神经瘤学中的实际临床应用提供了可行的途径.
