使用卷积神经网络的自动脑瘤检测
Roobal Chaudhary1, Prawar Chaudhary2, Chintan Singh3
1Department of Forensic Science, Sharda School of Allied Health Sciences, Sharda University, Greater Noida, India.
Biotechnology and applied biochemistry
|October 12, 2025
概括
先进的深度学习模型显示了早期脑瘤检测的前景. 该U-Net卷积神经网络 (CNN) 在细分瘤方面实现了97.73%的准确性,显著帮助神经瘤学诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 准确的脑瘤检测对于及时的医疗干预至关重要.
- 传统方法依赖于手动放射学分析,容易出现错误和变化.
- 深度学习有可能提高诊断准确性和效率.
研究的目的:
- 评估U-Net和单射击多盒检测器 (SSD) 深度学习模型在早期脑瘤检测中的有效性.
- 为了比较U-Net用于细分和SSD用于脑瘤识别中的对象检测的性能.
- 评估这些人工智能技术在增强神经瘤学诊断方面的潜力.
主要方法:
- 利用了U-Net,一个以医学图像细分而闻名的卷积神经网络 (CNN).
- 采用单击多盒检测器 (SSD),这是一个既定的对象检测算法.
- 将这些模型应用于用于脑瘤识别和定位的医学扫描.
主要成果:
- 该U-Net模型表现出高性能,在脑瘤细分方面达到97.73%的准确性.
- 固态硬盘模型实现了58%的准确性,表明其作为补充工具的潜力.
- U-Net在识别和定位脑瘤方面表现出极高的精度.
结论:
- 在医学成像中,U-Net是用于精确检测脑瘤的高效方法.
- 深度学习,特别是U-Net,显著改善了神经瘤学的早期检测结果.
- 进一步的研究可以探索使用这些先进的AI技术来提高诊断准确性.
