通过基于DenseNet121的转移学习改进脑瘤分类
Mehwish Rasheed1, Muhammad Arfan Jaffar1, Arslan Akram1,2,3
1Faculty of Computer Science and Information Technology, The Superior University, Lahore, 54600, Pakistan.
Discover oncology
|August 27, 2025
概括
这项研究引入了使用DenseNet121和MRI扫描进行脑瘤分类的自动化方法. 这种方法达到96.90%的准确性,提高了各种瘤类型的诊断速度和精度.
科学领域:
- 医学成像
- 人工智能
- 癌症学
背景情况:
- 早期和准确的脑瘤诊断对于有效的治疗至关重要.
- 目前的诊断方法往往耗时且依赖于手动解释.
- 现有方法的局限性需要先进的自动化解决方案.
研究的目的:
- 使用MRI数据开发一种用于脑瘤分类的自动化系统.
- 利用DenseNet121架构与转移学习来提高诊断准确度.
- 提高脑瘤检测和分类的速度和精度.
主要方法:
- 使用DenseNet121架构进行转移学习以检测脑瘤.
- 在Kaggle磁共振扫描数据集上训练模型.
- 预处理的MRI图像,包括大小调整,以尽量减少噪音和提高模型性能.
- 大脑组织分为四类:良性瘤,质瘤,脑膜瘤和垂体腺恶性瘤.
主要成果:
- 在多类脑瘤分类中达到96.90%的平均准确度.
- 与手动翻译和其他机器学习模型相比,表现出更高的性能.
- 这种方法提供了更高的准确性,更短的分析时间和最小的人力投入.
结论:
- 拟议的自动化方法显著提高了MRI扫描中的脑瘤诊断的准确性和速度.
- 这种方法为传统的诊断技术提供了一致和可预测的替代方案,减少了人为错误的影响.
- 开发的深度学习模型有望推进基于MRI的分类研究和神经瘤学的临床应用.
