多类脑瘤检测与注重嵌入式CNN框架:向分散的基于深度学习的健康监测迈进

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 计算神经科学是一种计算神经科学.

背景情况:

• 大脑瘤的诊断严重依赖于放射科医生的专业知识.
• 准确及快速识别脑瘤对于有效治疗至关重要.
• 整合异构的医疗数据集用于自动诊断存在挑战.

研究的目的:

• 开发和评估一种基于学习的分散式计算机辅助诊断 (CAD) 系统,用于脑瘤分类.
• 通过深度学习提高脑瘤检测的准确性和效率.
• 解决医疗AI中的数据安全和整合挑战.

主要方法:

• 设计了一个定制的卷积神经网络 (CNN),其中包含了初始块,注意力机制和剩余连接.
• 该模型在多样化的MRI图像在线数据集上进行了训练和验证,分为质瘤,脑膜瘤,垂体瘤和非瘤类.
• 使用标准测试准确度,十倍交叉验证和联合学习设置来评估性能.

主要成果:

• 拟议的定制CNN实现了98.70%的最大测试准确率.
• 10倍的交叉验证导致平均测试准确率为98.23%.
• 在联合学习设置中,该模型的测试准确率为98.33%.

结论:

• 开发的深度学习架构在准确检测和分类脑瘤方面表现出高效.
• 分散式学习方法增强了医疗数据的整合,使得诊断模型更强大.
• 该系统显示出作为神经瘤学临床决策支持工具的巨大潜力.