混合碎形ConvXGBNet用于脑瘤分类与日志-cosh子损失 - 基于MRI图像的V-Net级联基于细分
R Carol Praveen1, P Kasthuri Rengen2, Divya Francis3
1Associate Professor, Department of ECE, SSM Institute of Engineering and Technology, Dindigul, Tamilnadu, 624002, India. carolpraveenraja@gmail.com.
概括
一个新的Fractal-ConvXGBNet模型准确地从MRI扫描中分类大脑瘤,达到90%以上的准确性. 这种人工智能驱动的方法可以提高早期发现和诊断脑瘤,如质瘤,脑膜瘤和垂体瘤.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 神经瘤学神经瘤学
- 计算病理学计算病理学
背景情况:
- 大脑瘤对健康构成重大风险,需要准确及时诊断.
- 传统的大脑瘤检测方法在速度和准确性方面存在局限性.
- 自动分类模型对于高效的医学诊断至关重要.
研究的目的:
- 开发和评估使用磁共振成像 (MRI) 的自动脑瘤分类框架.
- 与传统方法相比,提高脑瘤诊断的准确性和效率.
- 将脑部MRI图像分为四类:质瘤,脑膜瘤,垂体瘤和正常.
主要方法:
- 采用了一种新的碎形卷积极端梯度增强 (Fractal-ConvXGBNet) 框架.
- 高提升过提高了MRI图像的清晰度,随后是级V-Net用于瘤细分.
- 空间灰级依赖矩阵 (SGLDM) 在分类之前用于特征提取.
主要成果:
- Fractal-ConvXGBNet模型在分类脑瘤方面取得了90.75%的整体准确性.
- 该模型显示真负率 (TNR) 为91.76%和真正率 (TPR) 为89.89%.
- 混合架构有效地结合了FractalNet和ConvXGB,以提高诊断性能.
结论:
- Fractal-ConvXGBNet框架提供了一种高度准确和高效的方法,用于从MRI数据中对脑瘤进行分类.
- 这种基于人工智能的方法显示出在临床环境中改善诊断结果的巨大潜力.
- 该模型的性能突出显示了深度学习在神经系统疾病的医学图像分析中的进步.


