CNN-TumorNet:利用深度学习中的可解释性,在MRI图像上准确诊断脑瘤
Novsheena Rasool1, Niyaz Ahmad Wani2, Javaid Iqbal Bhat1
1Department of Computer Science, Islamic University of Science and Technology, Awantipora, Kashmir, India.
Frontiers in oncology
|April 10, 2025
概括
这项研究介绍了CNN-TumorNet,这是一种深度学习模型,可以在MRI扫描中准确识别大脑瘤,准确率为99%. 通过整合LIME,该模型提供了透明的,可解释的结果,以改善临床使用.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经瘤学神经瘤学
背景情况:
- 早期发现脑瘤对于患者的预后和治疗至关重要.
- 磁力共振成像技术的进步提高了瘤检测,但需要准确的分类.
- 医疗保健从业者需要复杂的,可解释的诊断工具.
研究的目的:
- 开发一个卷积神经网络 (CNN) 用于将MRI图像分类为瘤或非瘤.
- 提高深度学习模型的可解释性,以便在临床上采用.
- 提高脑瘤诊断工具的准确性和透明度.
主要方法:
- 开发CNN-TumorNet,一个卷积神经网络用于MRI图像分类.
- 应用LIME (局部可解释模型-不可知解释) 技术来提高模型的透明度.
- 评估CNN-TumorNet在区分瘤与非瘤MRI扫描中的准确性.
主要成果:
- 在区分瘤和非瘤MRI扫描中,CNN-TumorNet实现了99%的准确率.
- 整合LIME为模型的决策过程提供了明确的见解.
- 增强的模型透明度有助于更好地理解其诊断判断.
结论:
- CNN-TumorNet证明了作为脑瘤诊断仪器的高可靠性和有效性.
- 整合LIME解决了深度学习的"黑子"问题,改善了临床信任和采用.
- 在CNN-TumorNet中,准确性和透明性的结合可以促进神经瘤病人的护理.
更多相关视频
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
6.8K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.6K
