混合模型与可解释的人工智能集成用于脑瘤诊断:MRI分析和预测的统一方法

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 准确的脑瘤检测对于及时有效的治疗至关重要.
• 医学成像对于早期瘤识别和诊断至关重要.
• 需要先进的计算方法来提高诊断准确度.

研究的目的:

• 评估使用医学成像检测脑瘤的两个不同的方法.
• 将图像处理和机器学习模型与并行深度学习集成技术的有效性进行比较.
• 确定最有效的深度学习策略,以提高脑瘤检测准确度.

主要方法:

• 方法1:集成图像处理技术 (对比度有限的自适应直方图等级) 使用视觉转换器 (ViT) 和随机森林分类器.
• 方法2:开发了一种并行模型集成技术,将预先训练的深度学习模型 (ResNet101和Xception) 结合起来,然后使用本地可解释模型-不可知解释 (LIME) 进行解释.
• 用医疗成像数据集来训练和验证两个拟议的模型.

主要成果:

• 视觉变压器,随机森林和对比度有限的自适应性直方图平衡组合实现了98.17%的准确性.
• 平行模型集成技术 (ResNet101和Xception) 显示出卓越的性能,准确率为99.67%.
• 在这项研究中,并行模型集成技术被证明是检测脑瘤的最有效方法.

结论:

• 基于深度学习的并行模型集成技术 (ResNet101和Xception) 对脑瘤检测非常有效.
• 这种方法为改善早期诊断和治疗规划提供了巨大的潜力.
• 未来的研究将专注于扩展多类瘤类型分类模型,并提高其通用性.