基于深度学习的高级脑瘤分类,使用一种新的定制CNN和优化剩余网络
Mehwish Rasheed1, Sajid Iqbal2, Arfan Jaffar1
1Faculty of Computer Science and Information Technology, The Superior University, Lahore, Pakistan.
PloS one
|October 10, 2025
概括
这项研究介绍了用于脑瘤分类的两种深度学习模型. 优化的ResNet101模型在MRI图像中准确分类脑瘤方面表现出卓越的性能.
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:
- 大脑瘤的特点是无法控制的细胞生长,如果不治疗,就会造成严重的健康风险.
- 准确的检测和分类对于理解瘤机制和指导有效治疗策略至关重要.
- 脑瘤检测的挑战包括大小,结构和位置的变化,需要先进的分析方法.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于分类脑瘤图像.
- 为了比较一个新的定制卷积神经网络 (CNN) 与一个优化的ResNet101模型的性能.
- 将脑瘤图像分为四类:质瘤,垂体瘤,脑膜瘤和没有瘤.
主要方法:
- 使用Kaggle的3,264张MRI图像的数据集.
- 实施和训练了两个DL模型:一种新的定制CNN和一种优化的ResNet101.
- 雇员五次交叉验证模型培训和验证,然后对单独的测试组进行评估.
主要成果:
- 优化的ResNet101模型比定制的CNN实现了更高的性能.
- 在交叉验证折叠中,平均训练准确率为99.03% (CNN) 和99.87% (ResNet101).
- 测试准确率达到97.72% (CNN) 和98.73% (ResNet101),其中ResNet101显示出优异的结果.
结论:
- 深度学习模型在支持脑瘤分类的临床决策方面显示出显著的潜力.
- 优化的ResNet101模型是准确和高效的脑瘤诊断的一个有希望的工具.
- 这些人工智能驱动分析的进步可以有助于改善患者的生存率和健康结果.
