在磁共振成像 (MRI) 图像上使用微调转移学习模型进行脑瘤分类

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
• 在瘤学瘤学.

背景情况:

• 脑瘤是全球死亡的一个重要原因.
• 早期发现脑瘤对于改善生存率和患者康复至关重要.
• 目前的检测方法可能耗时,可能缺乏最佳准确性.

研究的目的:

• 引入一个高效的深度学习模型,以加快大脑瘤检测.
• 为了提高使用MRI图像识别脑瘤的准确性和及时性.
• 通过先进的人工智能技术,建立一个新的脑瘤分类基准.

主要方法:

• 通过六个算法 (VGG16,ResNet50,MobileNetV2,DenseNet201,EfficientNetB3,InceptionV3) 进行了深度转移学习.
• 优化了数据预处理,并使用数据增强来进行升级样本.
• 使用Adam和AdaMax优化器训练模型,并对参数进行微调以减轻过度拟合.

主要成果:

• 在培训和测试中,在没有交叉验证的情况下,在较小的数据集上实现了100%的准确性.
• 通过交叉验证,平均达到99.96%的准确性和100%的接收机运行特性 (ROC).
• 在较大的数据集上以最小的计算时间证明了高准确性 (96.34%98.20%).

结论:

• 开发的深度学习方法为脑瘤分类设定了新的标准.
• 与现有方法相比,该模型提供了更高的准确性和效率.
• 提供强大,快速,可靠的解决方案,用于早期脑瘤检测使用MRI.