一个使用ResNet101和DenseNet201进行脑瘤分类的类智能深层合奏框架.

科学领域:

• 医学图像分析 医学图像分析
• 人工智能在医学中的应用
• 机器学习用于诊断.

背景情况:

• 准确的脑瘤分类对于有效的医学诊断和治疗计划至关重要.
• 现有的方法可能在实现各种大脑病变的高诊断准确性方面存在局限性.
• 像ResNet101和DenseNet201这样的深度学习模型显示出希望,但可以进一步优化.

研究的目的:

• 开发和评估一个集体学习框架,用于增强脑瘤分类.
• 集成ResNet101和DenseNet201架构,使用一个类智能模型选择策略.
• 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:

• 设计了一个集体学习框架,整合了ResNet101和DenseNet201.
• 模型被训练在一个7041-图像大脑MRI数据集与80/20分割.
• 图像预处理包括大小调整,CLAHE和利,以增强特征提取.

主要成果:

• 拟议的类智能组合实现了96.50%的整体准确性.
• 性能指标包括精度 (96.43%),特异性 (98.84%),回忆力 (96.20%) 和F1得分 (96.25%).
• 整体表现明显优于单个的ResNet101和DenseNet201模型.

结论:

• 阶级智能集体学习框架在脑瘤分类方面表现出了强度和效率.
• 这种方法为自动脑瘤诊断提供了一种可靠和高度精确的方法.
• 组合方法,特别是类明智的选择,可以显著提高医学成像诊断的性能.