联合分类和回归与深度多任务学习模型,使用传统的基于补丁提取用于脑疾病诊断
Padmapriya K1, Ezhumalai Periyathambi1
1Department of Computer Science and Engineering, RMD Engineering College, Chennai, Tamil Nadu, India.
PeerJ. Computer science
|February 3, 2025
概括
一个新的深度多任务卷积神经网络 (DMTCNN) 准确地使用MRI扫描来诊断大脑疾病. 这种人工智能模型提高了诊断准确性和效率,以改善患者护理.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 神经学和诊断医学 神经学和诊断医学
背景情况:
- 准确诊断大脑疾病对于有效的治疗计划和患者护理至关重要,磁共振成像 (MRI) 发挥着关键作用.
- 当前的计算机辅助诊断方法通常依赖于MRI手工设计的功能,限制了它们的效率和适应性.
- 深度多任务卷积神经网络 (DMTCNN) 拟用于克服脑疾病诊断中的这些局限性.
研究的目的:
- 开发和验证一种有效的代方法,用于脑疾病诊断中的非平滑优化问题.
- 介绍一个深度多任务卷积神经网络 (DMTCNN),用于联合回归和脑疾病的分类.
- 通过多重诊断任务的合作学习,增强共享信息的利用,提高整体绩效.
主要方法:
- 利用深度多任务卷积神经网络 (DMTCNN) 进行与大脑疾病相关的同时回归和分类任务.
- 使用边缘探测器,特别是Canny边缘探测器,用于预处理MRI图像.
- 在多任务学习 (MTL) 框架内,使用卷积神经网络 (CNN) 从图像补丁中提取了歧视性解剖特征.
主要成果:
- DMTCNN模型在关键性能指标上显著改善,包括特异性 (94.18%),敏感性 (93.19%),准确性 (96.97%) 和F1得分 (94.18%).
- 实现了22.76%的根平均平方误差 (RMSE) 和4.875毫秒的执行时间,展示了高效率.
- 验证了DMTCNN能够准确分类不同类型的大脑疾病的能力,其性能优于最先进的技术.
结论:
- 拟议的DMTCNN是使用MRI进行脑部疾病的计算机辅助诊断的有效和高效方法.
- 多任务学习提高了模型的概括性和诊断准确性,即使具有有限的标记数据.
- 与现有方法相比,DMTCNN在精确识别各种脑部疾病方面表现优异.
