基于显著的深度学习模型进行准确的脑瘤多重分类的比较分析
Mohamed S Elhadidy1, Abdelrahman T Elgohr1, Marwa El-Geneedy1
1Department of Mechatronics Engineering, Faculty of Engineering, Horus University, New Damietta, 34517, Egypt.
Computers in biology and medicine
|February 19, 2025
概括
像Swin Transformer和EfficientNet这样的先进深度学习模型显著改善了MRI扫描中的脑瘤分类,达到98%以上的准确性. EfficientNet为诊断提供了卓越的性能和计算效率平衡.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 神经瘤学神经瘤学
背景情况:
- 大脑瘤对健康构成重大风险,需要准确的检测和分类.
- 质瘤,脑膜瘤和垂体瘤需要精确的鉴定才能制定有效的治疗策略.
研究的目的:
- 评估深度学习模型的有效性,包括卷积神经网络 (CNN),Swin变压器和EfficientNet,用于使用MRI扫描进行脑瘤分类.
- 为了比较这些模型在精度,灵敏度和特异性方面的性能.
主要方法:
- 从四个类别 (包括健康的大脑) 的MRI扫描被预处理,使用正常化,大小调整和数据增强.
- 在预处理的数据集上训练了三个深度学习模型 (CNN,Swin Transformer,EfficientNet).
- 用关键指标来评估模型性能,例如准确性,灵敏性和特异性.
主要成果:
- 斯温变压器和EfficientNet的分类测试准确度分别为98.08%和98.72%.
- 传统的CNN实现了95.16%的测试准确度,低于先进模型.
- EfficientNet在计算效率和高分类性能之间取得了有利的平衡.
结论:
- 复杂的深度学习架构,特别是Swin Transformer和EfficientNet,显著提高了脑瘤分类的诊断精度.
- EfficientNet是一个非常适合用于脑瘤分类的模型,特别是在资源有限的环境中.
- 这项研究强调了先进的人工智能在提高脑瘤诊断的准确性和效率方面的潜力.
