轻量级-CancerNet:用于大脑瘤检测的深度学习方法
Asif Raza1, Muhammad Javed Iqbal1
1Department of Computer Science, University of Engineering and Technology Taxila, Taxila, Punjab, Pakistan.
PeerJ. Computer science
|March 10, 2025
概括
一个新的深度学习模型,轻量级-CancerNet,在医学图像中有效检测大脑瘤. 这种准确而快速的模型有助于实时诊断,改善患者护理和手术决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确和快速的脑瘤检测对于患者的治疗结果至关重要.
- 目前用于医学图像分析的深度学习模型是计算密集的.
- 需要有效和准确的深度学习框架来诊断脑瘤.
研究的目的:
- 介绍Lightweight-CancerNet,这是一个新的深度学习架构,用于高效和准确的脑瘤检测.
- 解决医疗成像中现有的深度学习模型的计算需求.
- 开发一个可靠的框架,用于实时对象检测脑瘤.
主要方法:
- 开发了使用MobileNet架构和NanoDet.CancerNet的轻量级癌症网络.
- 优化了模型以减少计算时间而不会牺牲准确度.
- 在两个磁共振成像 (MRI) 数据集上验证了框架,包括带有扭曲的图像.
主要成果:
- 实现了93.8%的平均精度 (mAP) 和98%的准确性.
- 显著减少了计算时间,从而实现实时应用.
- 在各种MRI数据中证实了模型的弹性和可靠性.
结论:
- 轻量级-CancerNet为医学成像中大脑瘤检测提供了一种高效准确的解决方案.
- 该模型的实时功能可以增强神经外科手术中的临床决策.
- 这项研究有助于推进医学诊断中的深度学习应用.
