面具 - 基于区域的卷积神经网络 (R-CNN) 与放射学集成和灰色水平共发生矩阵 (GLCM) 用于脑瘤检测和细分
Prathima Devadas1, Gandhi Mathivanan1
1Department of Computer science and Engineering, Sathyabama Institute of Science and Technology, Chennai, India.
PloS one
|February 23, 2026
概括
这项研究引入了一种混合方法,结合了基于面具区域的卷积神经网络 (R-CNN) 和放射学,用于在MRI扫描中准确检测和细分脑瘤. 该方法增强了早期诊断和各种瘤类型的分类.
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:
- 早期脑瘤诊断对于有效治疗和改善患者的治疗结果至关重要.
- 磁共振成像 (MRI) 是可视化脑瘤的一个关键模式.
- 集成先进的计算方法可以提高诊断的准确性.
研究的目的:
- 开发和验证用于脑瘤检测和细分的混合深度学习和放射学方法.
- 提高分辨不同类型脑瘤 (质瘤,脑膜瘤,垂体腺瘤) 和非瘤病例的准确性和效率.
- 创建一个强大的工具,用于早期和精确的脑瘤识别.
主要方法:
- 利用面具基于区域的卷积神经网络 (R-CNN) 进行精确的瘤细分和兴趣区域 (ROI) 识别.
- 集成的放射学特征 (质地,形状,强度) 和灰色水平共发生矩阵 (GLCM) 用于定量瘤特征.
- 将手工制作的放射性特征与来自Mask R-CNN的深度特征相结合,将它们输入多层感知子 (MLP) 中进行分类.
主要成果:
- 拟议的混合方法与独立的Mask R-CNN和放射学方法相比,显示出更高的性能.
- 在区分质瘤,脑膜瘤,垂体腺瘤和非瘤病例方面获得了高灵敏度,特异性和精度.
- 验证了将手工制作和深度功能结合起来,以提高脑瘤检测的有效性.
结论:
- 混合面具R-CNN和放射学模型为MRI中大脑瘤检测和细分提供了一种强大而准确的方法.
- 这种方法为医疗从业者提供了一个有价值的工具,使得早期和更精确的诊断大脑瘤.
- 深度学习和古典放射学的整合显示了促进神经瘤诊断的巨大潜力.
