在MR图像中使用转移学习和预训练深度CNN模型进行高级脑瘤分类
Rukiye Disci1, Fatih Gurcan1, Ahmet Soylu2
1Department of Management Information Systems, Faculty of Economics and Administrative Sciences, Karadeniz Technical University, 61080 Trabzon, Turkey.
Cancers
|January 11, 2025
概括
深度学习模型,特别是Xception,在脑MRI扫描中对瘤 (如质瘤,脑膜瘤和垂体瘤) 的分类方面表现出高准确性,有助于自动诊断.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于诊断.
- 深度学习在放射学中的应用.
背景情况:
- 准确的脑瘤分类对于有效的患者治疗和结果至关重要.
- 自动化脑部MRI图像的分析可以显著提高诊断效率.
- 这项研究解决了医疗诊断中可靠的人工智能工具的需求.
研究的目的:
- 评估预训练深度学习模型对分类大脑MRI图像的有效性.
- 将图像分为四个类别:质瘤,脑膜瘤,垂体瘤和没有瘤.
- 探索自动诊断在改善患者护理方面的潜力.
主要方法:
- 利用了7023张脑部MRI图像的数据集.
- 员工将学习转移到微调最先进的模型 (Xception,MobileNetV2,InceptionV3,ResNet50,VGG16,DenseNet121) 中.
- 应用先进的预处理和数据增强技术,以优化性能.
主要成果:
- Xception以98.73%的加权精度和95.29%的F1得分获得了最高的性能.
- 模型在处理阶级不平衡方面表现出有效性,并提供了一致的结果.
- 在改善质瘤和脑膜瘤的回忆和提高模型解释性方面仍然存在挑战.
结论:
- 深度学习对开发可靠和可扩展的医疗成像诊断工具具有重大潜力.
- 需要进一步的研究来改善模型的解释性,并验证在临床环境中的性能.
- 由人工智能驱动的系统可以集成到医疗保健工作流程中,以提高诊断能力.
