智能脑瘤检测使用混合微调深度传输功能和整体机器学习算法
Rakesh Salakapuri1, Panduranga Vital Terlapu2, Kishore Raju Kalidindi3
1Symbiosis Institute of Technology, Hyderabad Campus, Symbiosis International (Deemed University), Pune, India. srakesh@sithyd.siu.edu.in.
Scientific reports
|July 4, 2025
概括
这项研究引入了一种新的深度学习和机器学习系统,用于使用MRI扫描精确检测脑瘤. 整体堆叠模型实现了高精度,改善了早期诊断和患者存活率.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大脑瘤 (BTs) 是一种严重的神经系统疾病,全球死亡率很高.
- 早期诊断BT对于改善患者存活率至关重要.
- 由于它们的多样性,检测BT是具有挑战性的.
研究的目的:
- 开发和评估一种新的系统来检测大脑瘤,使用深度学习 (DL) 和机器学习 (ML) 技术的组合.
- 评估各种DL特征提取和ML组合分类模型的性能,用于MRI扫描中的BT检测.
主要方法:
- 使用DL模型 (Inception-V3,ResNet-50,VGG-16) 进行特征提取和PCA进行尺寸缩小.
- 使用集体ML方法 (堆叠,k-NN,梯度提升,AdaBoost,MLP,SVM) 进行分类.
- 预处理的MRI扫描 (224x224像素,正常化强度,高斯波器) 和使用的数据增强 (Keras图像数据生成器).
主要成果:
- 用PCA减少的ResNet-50特征进行堆叠组合模型,实现了最高的精度 (0.957) 和AUC (0.996).
- 这种表现显著超过了基线模型 (p < 0.01).
- 神经网络和梯度增强模型也表现出强的性能.
结论:
- 开发的DL和ensembleML系统对于大脑瘤检测是强大而可靠的.
- 这种方法显著改善了对脑瘤的早期检测,有助于医疗应用.
- 未来的研究将探索多模式成像,以进一步提高诊断准确度.
