IV3TM:Inception V3启用了双向长期短期记忆网络,用于大脑瘤分类
Afnan M Alhassan1, Nouf I Altmami1
1Department of Computer Science, College of Computing and Information Technology, Shaqra University, Shaqra, Saudi Arabia.
PloS one
|October 24, 2025
概括
这项研究介绍了一种新的Inception V3启用双向长期短期记忆网络 (IV3TM),用于使用磁共振成像 (MRI) 改进脑瘤分类. IV3TM模型提高了脑瘤的诊断准确度.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大脑瘤是危及生命的神经系统疾病,需要早期诊断才能有效治疗.
- 深度学习方法已经推进了医学图像分类,但面临着脑瘤复杂性和MRI变异性的挑战.
- 准确的脑瘤分类对于患者的生存率至关重要.
研究的目的:
- 为了提出一个先进的深度学习模型,Inception V3启用了双向长期短期记忆网络 (IV3TM),用于脑瘤分类.
- 通过使用新的预处理和数据增强技术,提高脑瘤分类的性能.
- 通过磁共振成像 (MRI) 数据提高脑瘤诊断的准确性和可靠性.
主要方法:
- 实施了一种代加权平均波器用于预处理,以解决MRI图像中的偏差场波动,噪声和模糊.
- 利用数据增强来增加培训数据集的大小和多样性.
- 通过集成Inception V3和双向长期短期内存 (BiLSTM) 来开发IV3TM模型,以捕获MRI数据中的顺序依赖性,并使用SqueezeNet进行图像分割.
主要成果:
- 拟议的IV3TM模型在脑瘤分类方面表现出有效性.
- 使用特异性,准确性,精度,F1分数和灵敏度等指标评估性能.
- 使用根平均平方误差 (RMSE) 评估模型错误,在脑MRI和Figshare数据集上显示了令人鼓舞的结果.
结论:
- IV3TM模型提供了一个有前途的方法,用于从MRI扫描中准确地分类脑瘤.
- 整合Inception V3和BiLSTM有效地学习脑MRI数据中的复杂结构关系.
- 提出的方法显示了帮助神经病学家及时准确地诊断脑瘤的潜力.
