使用混合移动NetV2-支持向量机器进行高效和准确的脑瘤分类,用于磁共振成像诊断新生体的诊断
Mohammed Jajere Adamu1,2,3, Halima Bello Kawuwa4, Li Qiang1
1Department of Electronic Science and Technology, School of Microelectronics, Tianjin University, Tianjin 300072, China.
Brain sciences
|January 8, 2025
概括
使用MobileNetV2和支持矢量机 (SVM) 的新混合模型准确地从MRI扫描中分类大脑瘤. 这种高效的方法提高了临床应用的诊断精度和计算性能.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 计算生物学 计算生物学
背景情况:
- 磁共振成像 (MRI) 对于非电离性脑瘤诊断至关重要.
- 随着脑瘤发病率的增加,需要可靠的诊断工具来防止误诊.
- 机器学习提供了先进的诊断,但也面临着精度-效率的挑战.
研究的目的:
- 开发一种混合机器学习模型,用于准确高效的脑瘤分类.
- 集成MobileNetV2用于特征提取和支持向量机 (SVM) 进行分类.
- 解决在医学诊断中平衡准确性和计算效率的关键挑战.
主要方法:
- 开发了一个混合模型,将MobileNetV2 (特征提取) 和支持矢量机 (SVM) (分类) 结合起来.
- 该模型在Kaggle MRI脑瘤数据集 (7023张图像) 上进行了训练和验证.
- 数据集包括质瘤,脑膜瘤,垂体瘤和没有瘤的类别.
主要成果:
- 混合模型实现了高的曲线下面积 (AUC) 分数:0.99 (结质瘤),0.97 (脑膜瘤),1.0 (下垂体瘤,没有瘤).
- 移动NetV2-SVM模型显示了更好的分类准确性.
- 该模型显示了减少计算开销,提高了临床适用性.
结论:
- 移动NetV2-SVM混合模型显示了改善脑瘤诊断的巨大潜力.
- 该模型提供了诊断精度和计算效率之间的平衡.
- 这种高效,准确的模型可以提高临床结果,特别是在资源有限的环境中.


