在MRI图像中使用基于转移学习的优化ResNet152模型检测大脑瘤
Prabhpreet Kaur1, Priyanka Mahajan1
1Department of Computer Engineering and Technology, Guru Nanak Dev University, Amritsar, India.
Computers in biology and medicine
|February 14, 2025
概括
这项研究表明,将深度转移学习与传统机器学习相结合,可以提高脑瘤检测的准确性. ResNet152获得了98.53%的准确性,证明了其在医学图像分析中的有效性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 大脑瘤显著影响预期寿命,通常使用磁共振 (MR) 扫描检测到.
- 人工智能 (AI) 和深度学习方法通过医疗成像中的高效数据处理提供了增强的诊断准确性.
研究的目的:
- 研究深度转移学习技术的有效性,以使用MRI图像准确诊断脑瘤.
- 为了比较预训练深度学习模型 (ResNet152,GoogleNet) 与常规机器学习分类器一起用于脑瘤检测的性能.
主要方法:
- 一个预处理管道涉及形态操作,高斯模糊和值被应用来提高MR图像质量.
- 使用主要组件分析 (PCA) 来减少维度和增强数据,然后使用ResNet152和GoogleNet进行特征提取.
- 提取的特征使用支持向量机 (SVM),K-最近邻居 (KNN),分类和回归树 (CART) 和高斯天真湾 (GNB) 进行了分类.
主要成果:
- 在脑瘤分类方面,ResNet152表现出了比GoogleNet更好的性能.
- ResNet152实现了98.53%的高精度,97.4%的F1得分和96.52%的灵敏度.
结论:
- 深度转移学习 (ResNet152) 与传统机器学习分类器的整合为准确的脑瘤检测提供了有效的方法.
- 这种混合方法提高了医疗图像分析的诊断能力,有可能改善患者的治疗结果.
