在多个数据集中传输深度学习和可解释的大脑瘤和阿尔茨海默病检测的AI框架.
Shtwai Alsubai1, Stephen Ojo2, Thomas I Nathaniel3
1College of Computer Engineering and Sciences, Prince Sattam bin Abdulaziz University, Al-Kharj, Saudi Arabia.
Frontiers in medicine
|July 4, 2025
概括
这项研究引入了MRI图像分类的混合CNN-VGG16模型,在诊断脑瘤和阿尔茨海默病方面实现了高精度. 可解释的人工智能 (XAI) 通过揭示分类驱动器来增强诊断信心.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 神经系统疾病诊断 神经系统疾病诊断
背景情况:
- 正确诊断神经系统疾病,如脑瘤和阿尔茨海默病,对于有效治疗至关重要.
- 当前的诊断方法在速度和准确性方面面临挑战,需要先进的工具.
研究的目的:
- 开发和评估一种使用转移学习和可解释AI (XAI) 的MRI图像分类的新方法.
- 提高诊断准确度,并在人工智能驱动的医学图像分析中提供透明度.
主要方法:
- 一种混合CNN-VGG16模型被用于MRI图像分类.
- 整合了使用VGG16预培训特征的转移学习.
- 使用了三个MRI数据集 (脑瘤,阿尔茨海默病,脑瘤),预处理包括正常化,大小调整和数据增强.
- 为了模型的可解释性,纳入了夏普利添加式解释 (SHAP).
主要成果:
- 该模型实现了高分类准确度:94%的脑瘤,81%的阿尔茨海默病,93%的第二个脑瘤数据集.
- SHAP分析提供了对决策过程的见解,突出了关键扫描区域进行分类.
结论:
- 深度学习和XAI的结合显著提高了神经系统疾病的诊断准确性.
- 这种方法通过提供透明的决策过程,提高了临床医生的对医疗诊断人工智能应用的信任.
关键词:
阿尔茨海默病的疾病阿尔茨海默病的疾病.图像分类MRI图像分类MRI图像分类这就是 SHAP SHAP 的意思.大脑瘤 大脑瘤可解释的人工智能 (XAI)混合型CNN-VGG16型号的模型医学成像医学成像转移学习转移学习更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.4K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K