扩展的SE-DenseNet用于脑瘤MRI分类.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经瘤学神经瘤学

背景情况:

• 准确的脑瘤分类对于有效的治疗计划至关重要.
• 当前的机器学习模型在实现复杂医学图像的高诊断准确性方面面临着挑战.
• 卷积神经网络 (CNN) 是有前途的,但需要进行架构改进以提高性能.

研究的目的:

• 开发和评估一种先进的CNN,以改进基于MRI的脑瘤分类.
• 通过扩展卷曲和注意力机制来增强DenseNet-121架构.
• 将拟议模型的性能与已建立的最先进模型进行比较.

主要方法:

• 使用DenseNet-121架构作为基础.
• 嵌入扩展卷积层,用于扩展受体场.
• 集成的挤压和刺激 (SE) 网络用于特征重新校准.
• 在 Kaggle 脑瘤数据集上训练并验证了模型.

主要成果:

• 与ResNet-101,VGG-19,原始DenseNet-121,MobileNet-V2,ViT-L/16和Swin-B.相比,拟的模型在脑瘤分类方面取得了更好的表现.
• 在包括F1得分,准确性,精度和回忆在内的关键指标中取得了显著的改进.
• 在医学图像分析中验证了建筑增强的有效性.

结论:

• 增强的CNN模型代表了基于MRI的脑瘤分类的重大进步.
• 建筑修改,如扩张的卷积和注意力机制是有效的医疗图像分析.
• 机器学习在各种医学成像应用中提高诊断准确性的巨大潜力.