使用DenseNet169和LIME进行透明的大脑瘤检测
Lincy Annet Abraham1, Gopinath Palanisamy2, Goutham Veerapu1
1School of Electronics Engineering, Vellore Institute of Technology, Vellore, 632014, Tamilnadu, India.
Scientific reports
|August 1, 2025
概括
一个新的深度学习模型,DenseNet169-LIME-TumorNet,使用MRI扫描准确地分类大脑瘤. 这种可解释的AI提高了诊断可靠性,并支持高准确度的临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 深度学习用于医学诊断
背景情况:
- 脑瘤分类对于诊断和治疗计划至关重要.
- 现有的深度学习模型需要提高性能和可解释性.
- 医学成像分析需要准确可靠的自动化工具.
研究的目的:
- 提出DenseNet169-LIME-TumorNet,这是一个用于增强脑瘤分类的深度学习模型.
- 通过使用DenseNet169和LIME.提升分类性能和模型解释性.
- 评估模型在临床环境中的效率和实际实用性.
主要方法:
- 开发DenseNet169-LIME-TumorNet,将DenseNet169与LIME (局部可解释模型-不可知解释) 集成在一起.
- 关于脑瘤MRI数据集 (2,870张图像,三种瘤类型) 的培训和评估.
- 对已建立的深度学习架构进行比较分析 (Inception V3,ResNet50等). ) 的情况.
主要成果:
- 在脑瘤分类上获得了98.78%的分类准确度.
- 在准确性方面超过了几种广泛使用的深度学习架构.
- 证明了最小的计算开销,以实现高效部署.
结论:
- DenseNet169-LIME-TumorNet为脑瘤分类提供了卓越的性能和可解释性.
- 该模型的效率和透明度支持临床决策和实时诊断.
- 未来的工作应该专注于多模式学习和实时人工智能辅助诊断应用.
