一个可扩展和可靠的深度学习框架,用于增强大脑瘤检测和诊断,使用基于人工智能的医学成像
Sultan Ahmad1,2, Stephen Neal Joshua Eali3, Thirupathi Rao Nakka4
1Department of Computer Science, College of Computer Engineering and Sciences, Prince Sattam Bin Abdulaziz University, Alkharj, Saudi Arabia.
Frontiers in medicine
|February 16, 2026
概括
这项研究引入了一个两阶段的深度学习框架,用于通过MRI扫描精确检测脑瘤. 该模型实现了99.31%的分类准确度,提高了及时诊断和临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 医学成像,特别是MRI,对于诊断脑瘤至关重要.
- 在医疗保健中,对高性能,可部署的人工智能系统的需求越来越大.
- 当前的挑战包括在现实世界的临床环境中实现准确性和可靠性.
研究的目的:
- 开发和评估一个两阶段的深度学习框架,用于通过MRI准确检测脑瘤.
- 提高人工智能驱动的瘤检测系统的可靠性和可解释性.
- 创建一个适合在安全,支持云计算的环境中进行临床部署的系统.
主要方法:
- 一种两阶段的深度学习方法,结合了DeepLabV3进行细分和卷积神经网络 (CNN)进行分类.
- 利用转移学习和微调与预先训练的模型.
- 雇佣了像Adam这样的优化人员,以便在BraTSMRI数据上高效地训练模型.
主要成果:
- 使用Adam优化器实现了99.31%的高分类性能.
- 证明了高精度和回忆,表明了强大的概括和稳定的性能.
- 发现分类之前的细分产生了比单阶段模型更可靠的瘤检测.
结论:
- 由细分指导的特征学习显著提高了瘤检测的准确性和稳定性.
- 拟议的框架是可解释的,可审计的,适合临床部署.
- 该研究强调了AI在医疗保健中的实际临床适用性和强大的数据治理.
