在MRI图像中使用可解释的AI彻底改变了脑瘤检测

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 通过MRI识别脑瘤是具有挑战性的,因为复杂的解剖和组织相似性.
• 手动瘤检测容易出错,耗时,需要自动化解决方案.
• 现有的AI模型需要进一步增强,以获得更高的准确性和可解释性.

研究的目的:

• 开发一种先进的卷积神经网络 (CNN) 框架,以提高脑瘤检测准确度.
• 提高人工智能驱动的神经瘤学工具的解释性和诊断可靠性.
• 在脑瘤识别方面超越现有的最先进模型.

主要方法:

• 开发了一个基于DenseNet121的改进的CNN框架.
• 该模型与12个基线CNN和5个高级架构 (ViT,ConvNeXt,MobileNetV3,FastViT,InternImage) 进行了严格的评估.
• 可解释AI (XAI) 技术,特别是Grad-CAM++,被整合起来,以提高可解释性和本地化.

主要成果:

• 拟议的模型在两个不同的数据集上实现了98.4%和99.3%的卓越准确率.
• 它的表现优于所有17个评估模型,包括Vision Transformer和ConvNeXt.
• XAI成功突出了关键瘤区域,改善了诸如小转移性病变等具有挑战性的病例的诊断.

结论:

• 开发的AI模型在自动脑瘤检测和定位方面取得了重大进展.
• 与XAI的整合提高了医疗保健从业人员的诊断透明度和可靠性.
• 这种方法承诺通过更精确和可解释的AI驱动的神经瘤诊断来改善患者的治疗结果.