使用基于VGG的特征提取与修改的DarkNet-53模型进行脑瘤检测.
S Trisheela1, Roshan Fernandes2, Anisha P Rodrigues3
1Department of Computer Science and Engineering, Nitte Meenakshi Institute of Technology, Bengaluru, India.
International journal of biomedical imaging
|June 9, 2025
概括
这项研究介绍了一种人工智能模型,用于在MRI扫描中早期检测脑瘤. 优化的深度学习方法实现了95%的准确性,提高了诊断精度,以获得更好的患者结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 恶性脑瘤对健康构成重大风险,需要早期和准确的诊断.
- 有效的治疗和改善患者的结果取决于及时检测脑瘤.
- 目前的诊断方法可以通过先进的人工智能 (AI) 技术来增强.
研究的目的:
- 通过使用深度学习,提高MRI扫描中脑瘤检测的准确性.
- 开发一种能够识别大脑MRI图像中关键特征的AI模型,用于早期诊断.
- 为了提高广泛的大脑瘤的诊断精度.
主要方法:
- 使用了经过修改的DarkNet-53深度学习架构.
- 采用侵入性杂草优化 (IWO) 进行模型优化.
- 将模型应用于3264个预处理的MRI扫描数据集.
主要成果:
- 在大脑瘤检测方面取得了95%的成功率.
- 与现有的诊断方法相比,其表现优越.
- 在早期阶段成功发现了广泛的脑瘤.
结论:
- 拟议的人工智能驱动方法显著提高了MRI扫描中脑瘤检测的准确性.
- 优化的深度学习模型有助于提高诊断精度和患者的治疗结果.
- 这项研究强调了人工智能在早期癌症诊断和治疗规划方面的潜力.
