基于MRI的增强脑瘤分类,使用了新的Pix2pix生成对抗网络增强框架
Efe Precious Onakpojeruo1,2, Mubarak Taiwo Mustapha1,2, Dilber Uzun Ozsahin1,3,4
1Operational Research Centre in Healthcare, Near East University, Nicosia 99138, Turkey.
Brain communications
|November 4, 2024
概括
这项研究使用生成对抗网络来创建用于脑瘤分类的合成医学图像. 这种方法提高了人工智能疾病预测,同时保护了患者的隐私.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 医学成像数据集的稀缺性和患者隐私问题阻碍了人工智能驱动的疾病预测.
- 现有的工具可以从医疗图像中提取患者信息,从而提出机密性问题.
研究的目的:
- 为合成数据生成提出生成对抗网络 (GAN),以克服脑瘤分类中的数据限制和隐私问题.
- 引入和评估一种新的Pix2Pix GAN模型,用于生成合成脑瘤数据集.
- 开发和评估一个有条件的深卷积神经网络 (CNN) 用于分类大脑瘤,使用合成和真实数据集.
主要方法:
- 利用新的Pix2Pix GAN进行图像对图像的翻译,以生成合成脑瘤数据集.
- 专注于分类四种类型:质瘤,脑膜瘤,垂体和健康的大脑组织.
- 开发了一种新的有条件深度CNN架构,用于处理和分类合成和原始Kaggle数据集.
主要成果:
- 条件深度CNN使用合成图像实现了86%的准确性,用于大脑瘤分类.
- 对比分析表明,拟议的条件深度CNN的性能优于最先进的模型 (ResNet50,VGG16,VGG19,InceptionV3).
- Pix2Pix GAN增强技术在创建高质量的合成数据集方面被证明是有效的.
结论:
- 基于Pix2Pix GAN的合成数据增强对于准确的脑瘤分类是有效的.
- 开发的条件深度CNN在脑瘤检测,诊断和分类方面表现出很高的表现.
- 这种方法为改善基于人工智能的疾病预测和治疗计划提供了一个有希望的解决方案,同时确保了患者的保密性.
