使用深度学习与基于可解释AI SHAP的多样化和多功能分析结合使用增强的MRI脑瘤检测

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 计算神经科学是一种神经科学.

背景情况:

• 对脑瘤的常规诊断方法有局限性,包括低分辨率,辐射暴露和差异差.
• 磁共振成像 (MRI) 提供高分辨率,非侵入性可视化,对于准确的瘤特征来说至关重要.
• 需要先进的功能表示和机器学习算法来增强诊断能力.

研究的目的:

• 调查多个特征表示方案和基于MRI的脑瘤识别学习算法的协同性能.
• 评估局部二进制模式 (LBP) 与支持矢量分类器 (SVC) 和卷积神经网络 (CNN) 等分类器的有效性.
• 用小型和大型基准数据集评估拟议模型的概括能力.

主要方法:

• 探索特征表示方案:局部二进制模式 (LBP),加博过器,离散波形变换,快速里埃变换和灰级运行长度矩阵.
• 学习算法的应用:k-最近邻居,随机森林,支持矢量分类器 (SVC),概率神经网络 (PNN) 和卷积神经网络 (CNN).
• 使用统计分析 (基平方,p值) 和SHAP分析来验证特征的重要性和分类影响.

主要成果:

• 当地二进制模式 (LBP) 与支持矢量分类器 (SVC) 和卷积神经网络 (CNN) 结合,在初始测试中表现出高的特异性和准确性.
• 在一个小数据集上,SVC达到98.06%的准确率,CNN达到97.8%的准确率.
• 在大型基准数据集中,CNN的准确率最高,为98.9%,其次是SVC的96.7%,表明强烈的概括性.

结论:

• 基于MRI的特征提取,特别是LBP,与CNN等先进算法相结合,为脑瘤诊断提供了高度准确和自动化的方法.
• 卷积神经网络 (CNN) 在医学成像中表现出优越性,因为它们能够学习复杂的空间模式并有效地概括.
• 这种综合方法提高了脑瘤检测的准确性,速度和一致性,有可能改善患者的治疗结果和医疗保健效率.