一个优化的深度神经网络与可解释的人工智能框架用于脑瘤分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 准确的脑瘤分类对于有效的患者护理和治疗计划至关重要.
• 磁共振成像 (MRI) 是可视化脑瘤的主要工具.
• 深度学习模型为自动化和准确的图像分析提供了潜力.

研究的目的:

• 开发和评估一个优化的ResNet框架,以使用MRI改进脑瘤分类.
• 调整ResNet模型 (ResNet-18和ResNet-50) 的关键超参数,以提高性能.
• 通过使用综合指标,对不同脑瘤数据集验证模型的有效性.

主要方法:

• 实施ResNet-18和ResNet-50架构用于脑瘤分类.
• 使用亨利气溶性优化 (HGSO) 算法优化ResNet超参数 (势头,学习率,时代,验证频率).
• 在两个MRI数据库 (4个和3个瘤类别) 上对优化模型的评估,使用准确度,灵敏度,特异性,精度和F-score.
• 使用梯度加权类激活映射 (GRAD-CAM) 进行模型解释.

主要成果:

• 优化的ResNet-50框架在Database1.0上实现了0.9825的最高分类准确度.
• HGSO算法有效调整了ResNet的超参数,从而实现了优越的分类性能.
• GRAD-CAM可视化证实了该模型对相关瘤特征的关注,确保了可靠的预测.

结论:

• 拟议的HGSO优化的ResNet框架显著提高了MRI脑瘤分类的准确性.
• 这种深度学习优化策略为提高神经瘤学诊断精度提供了一个有希望的方法.
• 由GRAD-CAM提供的可解释性为该模型的临床适用性建立了信心.