通过细分,多特征融合和分类技术来预测质瘤的自动级联框架
Meriem Hamoud1, Nour El Islem Chekima2, Abdelkader Hima3
1LIAP Laboratory, University of El Oued, PO Box 789, El Oued, 39000, Algeria.
Biomedical physics & engineering express
|April 30, 2025
概括
这项研究引入了一种先进的计算机辅助诊断框架,用于使用3D多模态MRI细分来对质瘤进行分类. 该系统能够准确地区分低级质瘤和高级质瘤,帮助早期发现癌症.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
背景情况:
- 质瘤是一种致命的大脑瘤,需要精确的细分和分类才能有效管理.
- 对质瘤的磁共振成像 (MRI) 手动分析是耗时和主观的.
- 计算机辅助诊断 (CAD) 系统为神经瘤学提供了自动化解决方案.
研究的目的:
- 开发和评估使用3D多模态MRI细分的新型质瘤分类框架.
- 为了增强使用CNN模型SegResNet和Swin UNETR与变压器机制的细分性能.
- 准确地将质瘤分为低级质瘤 (LGG) 和高级质瘤 (HGG) 的亚型.
主要方法:
- 使用高斯过器和骨剥离预处理MRI图像.
- 使用加博变换,离散波形变换 (DWT) 和ResNet50.0.0提取纹理和深度特征.
- 在与SegResNet和Swin UNETR进行细分后,与支持矢量机 (SVM) 融合,规范化和分类功能.
主要成果:
- 在细分方面获得了高的子分数:0.815 (瘤核心),0.909 (整个瘤),0.829 (增强瘤).
- 取得的分类性能:97%的准确性,94%的精度,96%的回忆率和95%的F1分数.
- 在基准BRATS2020和BRATS2023数据集上表现出有效性.
结论:
- 拟议的框架为放射科医生在早期质瘤检测和分类方面提供了可靠的支持.
- 集成先进的CNN和特征提取技术显著提高了诊断准确度.
- 这种方法有可能通过及时和精确的质瘤表征来改善患者的治疗结果.
