使用深度学习的增强脑瘤分类框架
Ramesh Babu Vure1, Lalitha Kumari Pappala2
1VIT-AP University, Amaravati, Andhra Pradesh, India.
Scientific reports
|October 14, 2025
概括
这项研究引入了使用生成对抗网络 (GAN) 和DMFN进行改进脑瘤分类的先进深度学习框架,在BRATS2021数据集上实现了98.36%的准确性.
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:
- 脑瘤诊断需要准确的工具,用于早期检测和分类.
- 传统的方法在早期瘤检测和分类方面扎.
- 深度学习模型面临的挑战是复杂的数据集和有限的标记数据.
研究的目的:
- 开发一个先进的深度学习框架,用于准确的脑瘤分类.
- 为了提高对质瘤,脑膜瘤,无瘤和垂体瘤的分类准确性.
- 通过数据增强技术来解决数据限制.
主要方法:
- 利用生成对抗网络 (GANs) 来进行数据增强.
- 使用ResNet18来有效地从医疗图像中提取特征.
- 开发了一个深度多视图融合网络 (DMFN) 模型,使用多个ResNet18实例进行分类.
- 集成的PCA-PSO用于功能选择.
主要成果:
- 在BRATS2021数据集上实现了98.36%的验证准确性.
- 培训损失减少到0.1963和验证损失减少到0.1382.
- 在大脑瘤分类方面,与现有技术相比显著改进.
结论:
- 拟议的框架显示了推进脑瘤诊断的巨大潜力.
- GAN,PCA-PSO和DMFN的组合为医疗图像分析提供了一个强大的方法.
- 这个框架可以应用于其他医学成像任务,以改善临床结果.

