精心调整的ResNet34用于高效的脑瘤分类
1Faculty of Information Technology Engineering, Syrian Virtual University, Damascus, Syria. anas.shahen.2020@gmail.com.
Scientific reports
|October 22, 2025
概括
这项研究展示了使用MRI图像进行脑瘤分类的深度转移学习方法. 微调的ResNet-34模型实现了99.66%的准确性,提高了对质瘤,脑膜瘤和垂体瘤的诊断精度.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
背景情况:
- 大脑瘤显著减少了预期寿命,需要早期,准确的诊断以获得有效的治疗.
- 人工智能 (AI),特别是深度学习和卷积神经网络 (CNN),为医疗图像分析提供了自动化解决方案.
研究的目的:
- 为了评估深度转移学习对从MRI扫描分类脑瘤的有效性.
- 开发一种自动诊断工具,用于识别质瘤,脑膜瘤,垂体瘤和瘤的缺失.
主要方法:
- 使用一个7023图像的大脑瘤MRI数据集 (Figshare,SARTAJ,Br35H) 分为训练,验证和测试集.
- 采用了一个微调的ResNet-34模型,带有自定义分类头.
- 集成的数据增强和Ranger优化器,以实现稳定的模型融合.
主要成果:
- 提出的深度转移学习模型在分类脑瘤方面达到99.66%的高精度.
- 性能超越了现有的最先进的脑瘤分类方法.
结论:
- 深度转移学习,特别是微调的ResNet-34模型,对于准确的脑瘤分类非常有效.
- 这种人工智能驱动的方法具有显著的潜力,可以提高早期诊断和患者存活率.
