通过优化的ResNet和通过Grad-CAM和LIME的可解释性来提高脑瘤检测
K Afnaan1, C G Arunbalaji1, Tripty Singh2
1Department of Computer Science and Engineering, Amrita School of Computing, Amrita Vishwa Vidyapeetham, Bangalore, Karnataka, India.
Brain informatics
|December 5, 2025
概括
这项研究通过整合可解释性技术,提高了使用卷积神经网络 (CNN) 的脑瘤检测. 一个增强的ResNet模型实现了高精度,改善了医疗成像中的AI诊断.
科学领域:
- 医学成像分析 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神经科学.
背景情况:
- 准确的脑瘤检测对于患者的治疗结果至关重要.
- 卷积神经网络 (CNN) 是有前途的,但缺乏临床解释性.
- 诸如阶级不平衡和过度适应等挑战阻碍了CNN在医学诊断中的采用.
研究的目的:
- 为了提高CNN用于脑瘤检测的准确性,概括性和解释性.
- 通过整合可解释AI (XAI) 来解决CNN临床采用障碍.
- 开发可靠的AI辅助诊断工具,用于医学图像分类.
主要方法:
- 实现了对CNN的架构增强和动态学习速率修改器.
- 在CNN模型中应用了XAI技术,包括Grad-CAM和LIME.
- 在三个公开的多类脑瘤数据集上进行了实验,以验证可概括性.
主要成果:
- 一个增强的ResNet模型实现了卓越的性能,测试准确度从99.36%到99.65%.
- 建筑改进 (防层,集成块,聚合,掉落) 提升了功能和减少了过度装配.
- 在MRI扫描中,XAI技术成功地突出了临床相关区域,提高了模型的透明度.
结论:
- 该研究表明,通过增强的CNN和XAI,人工智能辅助脑瘤检测取得了重大进展.
- 提出的方法为医学图像分类提供了可靠和可解释的解决方案.
- 这些发现为增加AI在神经瘤诊断中的临床采用铺平了道路.