在微调的卷积神经网络中采用挤压激发架构用于磁共振成像瘤分类
Kian A Huang1, Ahmad Alkadri1, Neelesh Prakash1
1Radiology, University of South Florida Health Morsani College of Medicine, Tampa, USA.
Cureus
|April 7, 2025
概括
这项研究使用ResNet50V2卷积神经网络 (CNN) 增强了脑瘤分类,具有挤压激发 (SE) 注意力机制. 改进的模型在将瘤类型与MRI扫描区分时实现了98.4%的准确性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑和中枢神经系统 (CNS) 癌症对健康构成重大负担,2021年美国有182520例病例.
- 使用磁共振成像 (MRI) 早期发现脑瘤对于改善患者的治疗结果至关重要.
- 准确分类不同的脑瘤类型对于有效的治疗规划至关重要.
研究的目的:
- 通过深度学习提高基于MRI的脑瘤分类的准确性.
- 评估ResNet50V2卷积神经网络 (CNN) 中挤压激发 (SE) 注意力机制的有效性,用于瘤分化.
- 将拟议的SE增强模型的性能与基本ResNet50V2模型进行比较.
主要方法:
- 微调一个ResNet50V2 CNN模型与SE注意力机制.
- 在公开可用的Kaggle数据集上训练模型,其中包括3096个MRI扫描.
- 将其分为四类:质瘤,脑膜瘤,垂体瘤和没有瘤.
主要成果:
- 与SE增强的ResNet50V2模型实现了98.4%的分类准确率和0.999.99的AUC.
- 基本的ResNet50V2模型实现了92.6%的精度和0.987.98的AUC.
- 对脑膜瘤 (p=0.013) 和垂体瘤 (p=0.015) 进行了分类准确性的统计显著改善.
结论:
- 挤压和激发 (SE) 注意力机制显著提高了CNNs的诊断精度,用于从MRI进行脑瘤分类.
- 该SE增强模型在区分不同类型的大脑瘤方面表现出卓越的性能.
- 未来的研究应该解决数据集的局限性,并探索像视觉变压器 (ViT) 这样的先进架构.
