脑瘤分类和生存预测使用一种新的混合深度学习模型,使用MRI图像
Shanmuga Priya Kanthaswamy1, Rosline Nesa Kumari GnanaPrakasam1
1Department of Computer Science and Engineering, Bharath Institute of Higher Education and research, Chennai, India.
Network (Bristol, England)
|April 17, 2025
概括
这项研究引入了深度残留金字塔网络 (DRP_Net) 用于脑瘤 (BT) 的分类和使用MRI扫描进行生存预测. DRP_Net 实现了高精度,提高了对脑瘤的诊断能力.
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:
- 大脑瘤 (BT) 存在重大诊断和管理挑战.
- 磁共振成像 (MRI) 对于瘤检测至关重要.
- 使用MRI的传统生存预测方法是主观的,劳动密集的.
研究的目的:
- 开发一种用于脑瘤分类和生存预测的自动化方法.
- 引入深度残留金字塔网络 (DRP_Net) 以提高诊断准确度.
- 改进现有的脑瘤管理方法.
主要方法:
- 利用BraTS数据集进行MRI图像分析.
- 应用同型过用于图像增强和深部关节细分用于瘤区域处理.
- 使用Haar波束和局部定向数字模式 (LDNP) 来进行特征提取.
- 集成的深度残留网络 (DRN) 和PyramidNet 在DRP_Net中进行分类.
- 杆深度循环神经网络 (DRNN) 用于生存预测.
主要成果:
- DRP_Net实现了91.99%的真负率 (TNR).
- 该模型的整体准确率为90.18%.
- 记录了91.08%的真实阳性率 (TPR),表明了强的表现.
结论:
- 拟议的DRP_Net方法为脑瘤分类和生存预测提供了一种优越的方法.
- 使用DRP_Net的自动化分析提高了与传统方法相比的诊断效率和准确性.
- 这种人工智能驱动的方法有望改善神经瘤学患者的治疗结果.
