卷积神经网络机器学习模型:脑膜瘤瘤和健康大脑分类的混合模型
Simona Moldovanu1,2, Gigi Tăbăcaru3, Marian Barbu3
1Department of Computer Science and Information Technology, Faculty of Automation, Computers, Electrical Engineering and Electronics, "Dunarea de Jos" University of Galati, 800146 Galati, Romania.
Journal of imaging
|September 27, 2024
概括
这项研究使用人工智能增强了大脑瘤检测. 将EfficientNetB0与支持矢量机器 (SVM) 结合起来,在分类大脑MRI扫描中实现了99.5%的准确性,改善了早期诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 大脑瘤是复杂的,可能很难用人眼检测,甚至用MRI.
- 早期发现脑瘤对于有效治疗和患者的治疗结果至关重要.
- 人工智能工具为提高脑瘤诊断的准确性和效率提供了一个有希望的途径.
研究的目的:
- 调查混合人工智能模型在使用MRI进行脑瘤分类方面的有效性.
- 为了比较各种卷积神经网络 (CNN) 架构和机器学习 (ML) 模型的性能.
- 确定CNN和ML的最佳组合,以准确检测脑膜瘤瘤.
主要方法:
- 使用原始和预训练的CNN (DenseNet169,EfficientNetV2B0) 来从脑MRI中提取特征.
- 集成的ML模型 (随机森林,KNN,SVM) 与CNN,取代SoftMax层进行分类.
- 采用包装组合方法,以防止过度装配和概括结果.
主要成果:
- EfficientNetB0-SVM组合在测试数据集上的瘤和健康大脑的二元分类中实现了99.5%的高精度.
- 对比研究评估了不同的CNN架构和ML模型集成.
- 这项研究表明了混合AI方法在医学图像分析中的潜力.
结论:
- 混合人工智能模型,特别是EfficientNetB0-SVM组合,在MRI脑瘤分类方面表现出极高的准确性.
- 转移学习和机器学习的整合提供了一个强大的解决方案,用于检测微妙的异常.
- 这些发现支持使用先进的AI技术来帮助放射科医生诊断脑瘤.
