在BraTS数据集上对机器学习技术进行比较分析,用于大脑瘤分类

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能

背景情况:

• 从MRI扫描中准确地分类脑瘤对于患者的治疗结果至关重要.
• 机器学习 (ML) 和深度学习 (DL) 显示出潜力,但它们的比较有效性尚不清楚.

研究的目的:

• 评估和比较用于脑瘤分类的各种ML和DL模型的性能.
• 用MRI数据确定自动化脑瘤诊断的最佳方法.

主要方法:

• 使用BRATS 2024数据集进行模型评估.
• 评估了传统的ML (随机森林) 和DL模型 (CNN,VGG16,VGG19,ResNet50,Inception-ResNetV2,EfficientNet) 的使用情况.
• 应用预处理技术以提高模型性能.

主要成果:

• 随机森林实现了87%的最高准确率.
• 深度学习模型的准确度从47%到70%不等.
• 传统的ML在这个特定的分类任务中超过了先进的DL方法.

结论:

• 模型选择和参数调整对于自动脑瘤诊断至关重要.
• 随机森林在本研究中表现出比DL模型更好的性能.
• 优化的ML方法可以提高诊断系统的瘤分类准确性和效率.