脑CNN:自动脑瘤分级从磁共振图像使用一个卷积神经网络的定制模型基于自定义模型
Jing Yang1, Muhammad Abubakar Siddique2, Hafeez Ullah2
1Center of Research for Cyber Security and Network (CSNET), Faculty of Computer Science and Information Technology, Universiti Malaya 50603 Kuala Lumpur, Malaysia.
SLAS technology
|July 25, 2025
概括
这项研究开发了一种自动化的深度学习系统,用于使用MRI扫描对脑瘤进行分级. 这种新的方法在分类低级和高级脑瘤方面取得了99%以上的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的脑瘤分类对于治疗和生存至关重要.
- 磁共振成像 (MRI) 是一个关键的诊断工具.
- 自动分级系统可以提高效率和准确性.
研究的目的:
- 开发一个使用深度学习的自动脑瘤分级系统.
- 将脑瘤分为低等级 (LGT) 和高等级 (HGT) 的类别.
- 为了提高诊断准确度和计算效率.
主要方法:
- 使用了293个MRI扫描的数据集.
- 开发了一个专门的卷积神经网络 (CNN),与预先训练的模型集成.
- 用原始MRI切片,细分瘤区域和提取的特征进行了实验.
- 采用了机器学习模型,包括SVM,MobileNet,Inception V3,ResNet-50和一个定制的CNN.
主要成果:
- 在脑瘤分类方面达到99.45%的峰值准确度.
- 证明了高分类准确度:LGT的99.56%和HGT的99.49%.
- 在准确性方面超过了传统方法.
- 通过减少处理时间来提高计算效率.
结论:
- 拟议的深度学习模型为自动化脑瘤分级提供了高度准确和高效的解决方案.
- 这种自动化系统有可能显著改善患者治疗计划和结果.
- 将CNN与MRI分析集成,代表了神经瘤学诊断领域的一个有前途的进步.
