FT-FEDTL:一个微调的特征提取深度转移学习模型,用于基于微波的多类脑瘤分类.

科学领域:

• 生物医学工程 生物医学工程
• 医学成像分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 微波脑成像 (MBI) 是一种用于早期脑瘤检测的新兴技术.
• 基于微波的脑瘤 (MBT) 的手动分类对医生来说是耗时且具有挑战性的.
• 深度转移学习 (DTL) 为高效的脑瘤分类提供了潜力.

研究的目的:

• 提出一个高效的DTL模型,FT-FEDTL,用于多类MBT分类.
• 加强MBT图像的自动识别和分类,以改善脑瘤诊断.
• 通过使用先进的人工智能,为脑瘤诊断提供一条优越的途径.

主要方法:

• 在FT-FEDTL模型中使用InceptionV3架构作为特征提取的基础.
• 应用微调到五个额外的层与超参数,以提高分类性能.
• 使用来自两个来源的增强技术创建了一个由4200张MBT图像组成的平衡数据集.

主要成果:

• 与传统和预训练模型相比,FT-FEDTL模型在平衡的数据集上取得了更高的分类性能.
• 实现了高性能指标:准确率为99.65%,回忆率为99.16%,精度为99.48%,特异性为99.10%,F值为99.23%.
• 在分类六类脑瘤方面表现出有效性.

结论:

• FT-FEDTL模型显示了在多类MBT图像分类中协助放射科医生的巨大潜力.
• 拟议的模型提供了一个可靠和高效的工具,用于生物医学应用在脑瘤诊断.
• 实验结果验证了该模型用于准确和自动化瘤分类的能力.