从MRI图像预测儿童大脑疾病,使用先进的深度学习技术
Yogesh Kumar1, Priya Bhardwaj2, Supriya Shrivastav3
1Department of CSE, School of Technology, Pandit Deendayal Energy University, Gandhinagar, Gujarat, India.
Neuroinformatics
|January 17, 2025
概括
这项研究介绍了一种使用深度学习模型的AI系统,可以从MRI扫描中准确检测儿童疾病. InceptionResNetV2模型实现了97.59%的准确性,改善了儿科诊断.
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
- 儿科诊断 儿科诊断 儿科诊断
背景情况:
- 儿童疾病是一个全球性的健康挑战,需要及时和准确的诊断.
- 传统的诊断方法往往是乏味的,不准确的,并导致治疗延迟.
- 人工智能 (AI),特别是深度学习,为改善医疗图像分析提供了潜力.
研究的目的:
- 开发和评估一个人工智能驱动的系统,使用先进的卷积神经网络 (CNN) 模型检测儿童疾病.
- 为了比较各种CNN架构在儿科大脑疾病MRI图像上的性能.
- 确定最有效的人工智能模型,以准确有效地诊断儿童的疾病.
主要方法:
- 使用了一系列的CNN模型,包括EfficientNetB0,Xception,InceptionV3,MobileNetV2,VGG19,DenseNet169,ResNet50V2,ResNet152V2和InceptionResNetV2.2. 这三种模式.
- 在儿童大脑疾病的MRI图像上训练模型,采用数据可视化技术,如细分和基于轮的特征提取.
- 使用ADAM和RMSprop优化器优化模型性能,评估准确性,损失,RMSE,精度,回忆和F1得分等指标.
主要成果:
- 使用ADAM优化的InceptionResNetV2模型实现了最高准确率97.59%.
- 使用RMSprop优化的EfficientNetB0获得了94.59%的准确性,同时在使用ADAM优化时也显示了最小的损失 (0.25) 和RMSE (0.5).
- 评估包括精度,学习曲线,回忆,计算时间和F1分数,强调了AI方法的有效性.
结论:
- 由人工智能驱动的深度学习模型显著提高了从医学图像中诊断儿童疾病的准确性和效率.
- 拟议的系统展示了先进的CNN架构在改善儿科医疗保健结果方面的潜力.
- 这种人工智能方法为克服传统诊断方法的局限性提供了一个有希望的解决方案,使得更快,更可靠的疾病检测成为可能.
