基于神经网络的可解释的修改卷积混合器深度学习框架,用于准确的脑瘤检测和分类
S Selva Birunda1, M Kaliappan1, R Ramana1
1Department of Artificial Intelligence and Data Science, Ramco Institute of Technology, Rajapalayam, India.
Neurological research
|October 31, 2025
概括
本研究介绍了一种可解释的修改卷积混合器神经网络 (EM-ConvMixer+Net),用于使用MRI图像进行高效和准确的脑瘤检测和分类. 这种新型模型实现了高精度,为临床诊断提供了可靠的工具.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 大脑瘤 (BTs) 由于其复杂性和相关的低存活率,对健康构成重大挑战.
- 传统的诊断模型通常是计算密集型,需要长时间的培训,阻碍了及时的临床应用.
- 需要先进,高效和可解释的AI模型来分析脑瘤.
研究的目的:
- 开发和验证一种用于脑瘤检测和分类的新型可解释修改卷积混合器神经网络 (EM-ConvMixer+Net).
- 提高神经瘤学中AI模型的计算效率和可解释性.
- 从MRI数据提高自动化脑瘤诊断的准确性和可靠性.
主要方法:
- 利用了来自两个公共来源的10,087张MRI图像的数据集,采用了像无声化和增强这样的预处理技术.
- 通过采用区域生长方法实现瘤细分,然后使用卷积运算混合块 (ConvMixer+) 进行特征增强.
- 使用交叉注意网络 (CANet) 和外部注意网络 (EANet) 进行特征融合和改进,通过修改的人工神经网络 (M-ANN) 进行分类,并通过Grad-CAM进行解释.
主要成果:
- 在实验验证中,EM-ConvMixer+Net模型获得了98.86%的高精度和98.44%的F1得分.
- 对比和废除研究证实了该模型的有效性和稳定性.
- 梯度加权类激活映射 (Grad-CAM) 提供了视觉解释,提高了模型的解释性.
结论:
- 拟议的EM-ConvMixer+Net框架为脑瘤诊断提供了一个计算高效和可解释的解决方案.
- 这种技术显示出在神经瘤学中推进临床决策的巨大潜力.
- 该模型的高性能和可解释性为更可靠的AI辅助医学诊断铺平了道路.
