基于变压器的深度学习模型对质瘤和脑膜瘤分类的比较分析

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 使用MRI进行脑瘤分类对于诊断和治疗计划至关重要.
• 新的深度学习模型有可能提高神经成像分析的准确性.
• 基于变压器的模型正在成为医疗数据中复杂模式识别的强大工具.

研究的目的:

• 为了比较视觉转换器 (ViT) 和双向编码器从图像转换器 (BEiT) 模型中表示的大脑MRI的分类准确度.
• 提出一种完全基于神经网络的工作流程,用于用特征驱动方法对质瘤和脑膜瘤进行分类.
• 评估变压器模型在区分质瘤和脑膜瘤方面的性能.

主要方法:

• 在公开的大脑MRI数据集上完成ViT和BEiT模型,其中包括质瘤和脑膜瘤.
• 使用Meta的SegmentAnything模型进行半自动的脑瘤细分.
• 采用特征驱动方法,包括对深度放射性特征进行规范化,减小维度 (皮尔森相关系数) 和特征选择 (ANOVA).
• 通过5倍交叉验证训练一个多层感知子 (MLP) 分类器,并通过5倍交叉验证进行超参数调整.

主要成果:

• 在使用7个特征的验证数据集上,ViT模型实现了0.985的高曲线下面面积 (AUC) 和0.952的准确性.
• 在一个独立的测试数据集上,ViT模型显示AUC为0.962和准确度为0.904.
• 在测试数据集上,BEiT模型实现了0.939的AUC和0.871的准确性.

结论:

• 基于变压器的模型,特别是ViT,对于高精度和AUC分数的质瘤和脑膜瘤的分类是有效的.
• 拟议的特征驱动,基于神经网络的工作流程增强了用于脑瘤分类的模型稳定性.
• 未来的研究应该集中在多数据集验证和模型优化上,以提高机构间的概括性.