一个混合深度学习模型与数据增强,以改善使用MRI图像进行瘤分类.
Eman M G Younis1, Mahmoud N Mahmoud1, Abdullah M Albarrak2
1Faculty of Computers and Information, Minia University, Minia 61519, Egypt.
Diagnostics (Basel, Switzerland)
|December 17, 2024
概括
这项研究引入了一种混合深度学习模型,将CNN和EfficientNetV2B3与KNN相结合,用于脑瘤分类. 这种新的方法实现了高精度,提高了对脑癌的诊断能力.
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
- 计算神经科学是一种神经科学.
背景情况:
- 癌症是全球主要的死亡原因,脑癌的生存率特别低.
- 准确的脑瘤分类对于有效的治疗计划和患者的治疗结果至关重要.
- 深度学习模型越来越多地用于疾病诊断,重点是优化神经网络性能.
研究的目的:
- 开发和评估一种新的混合深度学习方法,用于增强脑瘤分类.
- 用医学成像来提高诊断各种脑瘤类型的准确性和效率.
主要方法:
- 开发了一种混合模型,集成卷积神经网络 (CNN) 和EfficientNetV2B3以进行强大的特征提取.
- 使用K-nearest neighbors (KNN) 监督学习算法,最终对提取的特征进行分类.
- 在KNN分类之前,通过连接CNN和EfficientNetV2B3的平面输出来提高模型的性能.
主要成果:
- 拟议的混合框架在两个基准MRI数据集上进行了测试,其中一个数据集包含3064张脑膜瘤,质瘤和垂体瘤图像.
- 第二个数据集包括健康大脑和脑瘤的图像.
- 该模型在各自的数据集上实现了99.51%和99.8%的特殊准确率.
结论:
- 这种新的混合方法有效地提高了脑瘤分类的准确性.
- 将CNN和EfficientNetV2B3的功能与KNN相结合,提供了一个强大的诊断工具.
- 这种方法显示出在神经瘤学中改善临床诊断和患者预后的巨大潜力.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
