使用ViT,PCA和随机森林进行特征提取和维度减少的混合模型,用于大脑癌症的多重分类
Hisham Allahem1, Sameh Abd El-Ghany1, A A Abd El-Aziz1
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakakah 42421, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|June 13, 2025
概括
这项研究介绍了ViT-PCA-RF,这是一种新的混合计算机辅助诊断系统,用于使用MRI扫描进行准确的脑瘤分类. 该模型实现了高性能,使得早期检测和改善患者的结果.
科学领域:
- 神经科学和医学成像学
- 医疗保健中的人工智能
背景情况:
- 大脑瘤是危及生命的疾病,需要准确及时诊断.
- 对脑瘤的磁共振成像 (MRI) 手动分析具有挑战性,容易出现错误.
- 早期检测和分类对于有效治疗和改善患者预后至关重要.
研究的目的:
- 开发和评估一种新的混合计算机辅助诊断 (CAD) 系统用于脑瘤分类.
- 使用磁共振成像 (MRI) 提高脑瘤检测的准确性和效率.
- 为了提高诊断结果,利用先进的机器学习和深度学习技术.
主要方法:
- 开发了一种混合CAD方法,ViT-PCA-RF,集成视觉变压器 (ViT),主要组件分析 (PCA) 和随机森林 (RF).
- ViT用于特征提取,PCA用于维度减少,RF用于多类脑瘤分类.
- 该模型在脑瘤MRI (BTM) 数据集上进行了训练和验证,并进行了预处理,包括调整大小和正常化.
主要成果:
- ViT-PCA-RF模型在脑瘤分类方面表现出了卓越的表现.
- 实现了高精度 (99%),特异性 (99.4%),精度 (98.1%),回忆 (98.1%),以及F1得分 (98.1%).
- 在通过MRI扫描识别和分类脑瘤方面表现优于传统的分类器.
结论:
- 开发的ViT-PCA-RF模型显示了精确有效地检测脑瘤的巨大潜力.
- 结合ViT,PCA和RF的混合方法为人工智能驱动的医学诊断提供了有希望的进步.
- 这个系统可以帮助早期检测,及时干预,并改善患者对脑瘤的管理.
