一个基于先进的机器学习和深度学习模型的混合可解释模型,用于使用MRI图像对脑瘤进行分类

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:

• 大脑瘤是一个重大的全球健康挑战,需要早期检测和准确的分类来进行有效的治疗.
• 目前的诊断方法需要提高不同类型的脑瘤的速度和准确性.

研究的目的:

• 开发和评估一个新的,计算效率高的框架,使用MRI图像准确分类四种脑瘤类型 (质瘤,脑膜瘤,没有瘤,垂体).
• 提高特征可见性和提取,以提高诊断性能.

主要方法:

• 利用对比度有限的自适应性直方体平衡 (CLAHE) 来提高MRI图像质量.
• 使用轻量级的平行深度可分离卷积神经网络 (PDSCNN) 来进行特征提取.
• 开发了一种混合式的回归极端学习机器 (RRELM),用于增强分类.
• 使用五倍交叉验证验证并与最先进的模型进行比较.

主要成果:

• 在分类四种脑瘤类型中,获得了高平均精度 (99.35%),回忆力 (99.30%),准确性 (99.22%).
• 拟议的PDSCNN-RRELM框架与伪逆极端学习机器 (PELM) 和其他模型相比,表现出更高的性能.
• 回归集成显著改善了ELM分类性能,模型参数和层大小.

结论:

• 新的PDSCNN-RRELM框架提供了一个高度准确和高效的解决方案,用于从MRI数据中对脑瘤进行分类.
• 该方法通过通过SHAP分析提高准确性和可解释性来提高诊断信心.
• 这种方法有望改善神经瘤学中的临床决策.