基于集体的卷积神经网络用于MRI中的脑瘤分类:使用可解释AI提高准确性和可解释性

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算神经科学是一种神经科学.

背景情况:

• 准确的脑瘤分类 (质瘤,脑膜瘤,垂体腺瘤) 对于患者的诊断和治疗至关重要.
• 磁共振成像 (MRI) 是一种主要的诊断方式.
• 深度学习显示了自动瘤分类的潜力,但在准确性和临床解释性方面面临挑战.

研究的目的:

• 用MRI图像进行深度学习来提高脑瘤分类的准确性和可解释性.
• 开发一个强大的和临床上适用的AI工具来支持医疗专业人员.

主要方法:

• 使用预训练的卷积神经网络 (CNN) 架构 (VGG16,DenseNet121,Inception-ResNet-v2) 进行转移学习.
• 开发了一个集体分类器,使用多数投票策略来提高稳定性.
• 集成可解释性技术 (Grad-CAM++,集成梯度) 用于可视化模型决策.

主要成果:

• 整体模型在分类质瘤,脑膜瘤,垂体腺瘤和良性病例方面达到86.17%的准确性.
• 可解释性方法生成了热图,突出显示了预测的关键区域,与放射性特征保持一致.
• 与单个CNN架构相比,整体方法显示出更高的性能.

结论:

• 拟议的集体深度学习框架显著提高了脑瘤分类的准确性和MRI的解释性.
• 整合可解释性方法可以提高AI诊断工具的透明度和可靠性.
• 这种方法为医疗专业人员在临床决策中提供了宝贵的支持.