基于深度卷积神经网络的大脑瘤分类的学习架构:经典和ResNet50
Rabei Raad Ali1, Noorayisahbe Mohd Yaacob2, Marwan Harb Alqaryouti3
1Technical Engineering College for Computer and AI, Northern Technical University, Mosul 41000, Iraq.
Diagnostics (Basel, Switzerland)
|March 13, 2025
概括
卷积神经网络 (CNN) 在MRI扫描中准确地分类大脑瘤. ResNet50架构实现了99.88%的准确性,大大帮助了诊断和治疗规划.
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:
- 从医学图像中准确地分类脑瘤对于患者的生存至关重要.
- 卷积神经网络 (CNN) 被研究以提高诊断准确性.
- 磁共振成像 (MRI) 数据集用于此分类任务.
研究的目的:
- 评估CNN的有效性,特别是经典层和ResNet50架构,用于脑瘤分类.
- 为了比较不同CNN模型在脑瘤MRI数据集上的性能.
- 为了证明先进的CNN架构在提高诊断准确度方面的潜力.
主要方法:
- 预处理了一组脑瘤MRI扫描 (200 × 200 × 1分辨率) 的数据集.
- 瘤被分为质瘤,脑膜瘤和垂体瘤类型.
- 经典层和ResNet50 CNN架构的训练和测试使用了80:20的分割.
主要成果:
- 两种CNN架构都在分类脑瘤方面表现出高准确度.
- 经典层架构实现了94.55%的准确性.
- ResNet50架构实现了99.88%的卓越准确性,超过了之前的研究.
结论:
- CNNs,特别是ResNet50架构,对于使用MRI数据进行脑瘤分类非常有效.
- 这些发现凸显了CNN在帮助医疗专业人员准确诊断和治疗规划方面的潜力.
- 未来的研究应该探索转移学习以提高绩效,特别是在有限的注释数据.
