一种可解释的集体方法用于高级脑瘤分类,应用双GAN机制和特征提取技术在高度不平衡的数据上
Priyanka Roy1,2, Fahim Mohammad Sadique Srijon1, Pankaj Bhowmik1
1Department of Computer Science and Engineering, Hajee Mohammad Danesh Science and Technology University, Dinajpur, Bangladesh.
PloS one
|September 27, 2024
概括
这项研究介绍了一种可解释的AI管道,使用双GAN对不平衡数据集进行脑瘤分类. 新的DeepEFE框架实现了98.15%的准确性,提高了诊断可靠性.
科学领域:
- 医学成像分析分析 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:
- 大脑瘤是一个重大的全球健康挑战,需要准确的分类才能有效治疗.
- 机器学习 (ML) 在使用MRI数据进行脑瘤分类方面显示出潜力,但在不平衡的数据集方面存在困难.
- 类失衡,良性瘤数量超过恶性瘤,阻碍了ML模型的性能.
研究的目的:
- 为准确的脑瘤分类开发一个可解释的,基于合奏的管道,专门解决阶级不平衡问题.
- 整合一个双世代对抗网络 (Dual-GAN) 机制来生成合成少数阶级样本.
- 通过特征提取和可解释性技术来提高模型的可解释性和可靠性.
主要方法:
- 开发了一个集成双GAN的集成式管道,用于数据增强和高级特征提取技术.
- 提出了一种新的深层整体特征提取 (DeepEFE) 框架,以捕获医疗图像中的信息特征.
- 使用Grad-CAM将可解释性纳入,以确定对分类至关重要的图像区域.
主要成果:
- 拟议的DeepEFE框架实现了98.15%的高分类准确性,超过了基准模型.
- 双GAN机制有效地解决了类不平衡,而不会影响数据质量.
- 观察到精度,灵敏度和F1分数的显著改善,显示出强大的性能.
结论:
- 开发的可解释管道为脑瘤分类提供了可靠的解决方案,特别是在不平衡的数据集.
- 可解释性的整合增强了信任,并促进了AI在诊断中的临床采用.
- 这种方法可以提高诊断的准确性,并支持更好的患者管理策略.
