一个强大的基于ConvNeXt的框架,用于MRI上的高效,可概括和可解释的大脑瘤分类
Kirti Pant1, Pijush Kanti Dutta Pramanik2, Zhongming Zhao3
1Department of Computer Science and Engineering, Bipin Tripathi Kumaon Institute of Technology, Dwarahat 263653, Uttarakhand, India.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
这项研究引入了ConvNeXt Base,用于从MRI扫描中准确地分类脑瘤. 该模型表现出高的诊断准确性,可概括性和可解释性,使其适合临床使用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 从MRI中准确地分类脑瘤至关重要,但由于数据的变化和模型概括问题,这具有挑战性.
- 当前的深度学习模型往往缺乏强大的验证和解释性,限制了临床可靠性.
- 现有的方法与不同的瘤外观和跨数据集可变性作斗争.
研究的目的:
- 使用ConvNeXt Base架构开发和评估一个强大的脑瘤分类框架.
- 评估模型在多个独立MRI数据集中的性能,用于质瘤,脑膜瘤和垂体瘤.
- 通过严格的验证和解释性分析,确保模型的可靠性,通用性和临床适用性.
主要方法:
- 在三个独立的MRI数据集上利用ConvNeXt Base架构进行脑瘤分类.
- 使用全面指标 (准确性,AUC,F1分数等) 评估性能. 和统计验证 (弗里德曼测试,霍尔姆-邦费罗尼).
- 评估使用Grad-CAM++和渐变SHAP的模型解释性,以及计算效率分析.
主要成果:
- 在所有数据集中,ConvNeXt Base实现了近乎完美的分类性能 (准确率>99.6%,AUC ≈1.0).
- 统计分析证实了与其他架构相比,显著和可重复的性能增长.
- 可解释性方法证实了预测是基于瘤相关的区域,具有有利的推断速度和资源使用.
结论:
- ConvNeXt Base为基于MRI的脑瘤分类提供了一个可靠,可概括和可解释的解决方案.
- 该模型的高诊断准确度和统计稳定性支持其融入临床工作流程.
- 该框架的计算效率和可解释性提高了其对现实世界的临床应用的潜力.
