可解释的人工智能与基于UNet的细分和贝叶斯式机器学习用于使用MRI图像对脑瘤进行分类

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 机器学习在瘤学中的应用
• 神经科学和诊断技术

背景情况:

• 早期发现脑瘤 (BT) 显著改善了患者的治疗结果和治疗疗效.
• 磁共振成像 (MRI) 对于详细的脑部成像至关重要,但手动分析是劳动密集的,容易出现错误.
• 深度学习,特别是卷积神经网络 (CNN),在分析医疗图像以提高诊断准确性方面显示出前景.

研究的目的:

• 介绍一种新的解释性人工智能与语义分割和贝叶斯式机器学习用于脑瘤 (XAISS-BMLBT) 技术.
• 为了提高脑瘤检测和分类从MRI扫描的准确性和效率.
• 为神经瘤学中临床决策支持提供一个强大的和可解释的AI模型.

主要方法:

• 使用双边过来减少MRI扫描中的噪声的图像预处理.
• 使用MEDU-Net+进行语义细分,以划分受影响的大脑区域.
• 通过ResNet50提取特征,并使用贝叶斯规范化人工神经网络 (BRANN) 进行分类.
• 使用改进的辐射运动优化算法对BRANN模型进行超参数优化.

主要成果:

• 在检测脑瘤方面,XAISS-BMLBT技术取得了97.75%的卓越准确性.
• 在基准数据库上的实验验证证明了拟议方法相对于现有方法的有效性.
• 语义细分,特征提取和贝叶斯机器学习的综合方法在BT分析中被证明是非常有效的.

结论:

• XAISS-BMLBT技术在自动脑瘤检测和基于MRI数据的分类方面取得了重大进展.
• 这种可解释的AI方法有可能减少诊断错误并加快患者治疗.
• 通过XAISS-BMLBT实现的高精度支持其在改善脑瘤患者生存率方面的潜在临床实用性.