一个集群智能驱动的混合框架用于大脑瘤分类,具有增强的深度功能.

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 计算神经科学是一种神经科学.
• 医疗保健中的机器学习

背景情况:

• 通过MRI准确地分类脑瘤对于及时诊断和治疗至关重要.
• 现有的方法在实现高精度和可解释性方面面临挑战.
• 需要自动分类系统来协助放射科医生,并改善患者的治疗结果.

研究的目的:

• 开发和验证一种混合人工智能框架,用于使用MRI进行强大的四类脑瘤分类.
• 将深度学习功能与度量学习和群集智能相结合,以提高分类性能.
• 通过可解释的AI技术来确保模型的可解释性.

主要方法:

• 这是一个混合框架,集结了卷积神经网络 (CNN) 的深度特征 (DenseNet201,MobileNetV2,ResNet50,ResNet101,InceptionV3),大边缘近邻 (LMNN) 度量学习和群集智能优化 (PSO,GWO).
• 使用粒子优化 (PSO) 和灰狼优化器 (GWO) 进行特征选择和优化.
• 使用k-近邻 (KNN),支持矢量机 (SVM),人工神经网络 (ANN) 和随机森林 (RF) 的分类,DenseNet201-LMNN-GWO-KNN (DenseWolf-K) 配置显示最佳结果.

主要成果:

• DenseNet201实现了最高的基准准确率 (92.66%).
• 丹塞沃尔夫-K框架 (DenseNet201-LMNN-GWO-KNN) 在7023张MRI图像 (瘤,脑膜瘤,垂体,健康) 的数据集上达到99.64%的卓越精度.
• 该模型在独立的外部数据集上展示了稳定性和通用性,并得到了特征级别排名和闭塞灵敏度图的支持,以解释性.

结论:

• 提出的DenseWolf-K框架为基于MRI的脑瘤分类提供了一个高度准确,可解释和高效的解决方案.
• 混合方法有效地结合了深度学习,度量学习和优化技术,以提高诊断性能.
• 这一框架具有很大的潜力,可以帮助早期发现脑瘤和个性化治疗策略.