基于T1权重的MRI脑瘤分类,使用混合深度学习模型
Mohsen Asghari Ilani1, Dingjing Shi2, Yaser Mike Banad3
1School of Electrical and Computer Engineering, University of Oklahoma, Norman, OK, 73019, USA.
Scientific reports
|February 27, 2025
概括
通过U-Net深度学习,可以从MRI扫描中准确地分类大脑瘤,达到98.56%的准确率. 这种卷积神经网络方法增强了早期检测和治疗计划,以改善患者的治疗结果.
科学领域:
- 神经成像和人工智能的人工智能
- 医学图像分析和深度学习
背景情况:
- 大脑健康对认知功能至关重要,磁共振成像 (MRI) 对诊断至关重要.
- 深度学习模型越来越多地用于医疗保健中的高性能图像处理.
- 准确的脑瘤分类对于有效的治疗计划至关重要.
研究的目的:
- 在MRI扫描上使用U-Net架构对脑瘤 (瘤,脑膜瘤,垂体瘤) 进行分类.
- 用转移学习来评估各种卷积神经网络 (CNN) 的性能.
- 评估U-Net用于神经成像的诊断潜力.
主要方法:
- 将U-Net细分架构应用于脑MRI扫描以进行瘤分类.
- 使用转移学习与像Inception-V3,EfficientNetB4和VGG19.9这样的CNN.
- 使用包括准确性,F-score,回忆和精度在内的指标进行绩效评估.
主要成果:
- U-Net实现了优异的性能,准确率为98.56%,F-score为99%,AUC为99.8%,回忆/精度为99%.
- 交叉数据集验证证明了强大的性能,在外部队列上准确率为96.01%.
- U-Net证明了对脑瘤细分和分类的有效性.
结论:
- 在神经成像中,U-Net在准确的脑瘤细分和分类方面表现出高效.
- 该研究强调了U-Net和转移学习的潜力,以提高诊断准确度.
- 这些发现支持加强临床决策和改善神经瘤学患者护理.
