骨-CNN:一种轻量级的深度学习架构,用于X射线图中主要骨瘤的多类分类
Behnam Kiani Kalejahi1, Sajid Khan1, Rakhim Zakirov2
1Computer Science Department, School of Engineering, Central Asian University, Tashkent 111221, Uzbekistan.
Biomedicines
|February 27, 2026
概括
一个新的轻量级深度学习模型,Bone-CNN,准确地从X光照中分类初级骨瘤,准确率为96.52%. 这种高效的模型适合临床部署,改善了骨瘤诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
背景情况:
- 从X射线图来准确分类原发性骨瘤对于患者管理至关重要.
- 深层卷积神经网络 (CNN) 是有前途的,但在临床环境中经常面临计算挑战.
研究的目的:
- 开发一种计算效率高,但高度准确的深度学习模型,用于从放射图片中对多类原发性骨瘤进行分类.
- 解决复杂模型在现实世界的临床应用中的局限性.
主要方法:
- 提出了Bone-CNN,一种轻量级的CNN架构,专门用于骨瘤分类.
- 在Figshare原发性骨瘤 (九类) 放射数据集上评估模型.
- 与DenseNet121,EfficientNet-B0和MobileNetV2.2.0相比,骨-CNN性能进行了比较.
主要成果:
- 骨-CNN测试的准确度为96.52%,宏观AUC为0.9989.9,测试准确度达到96.52%,宏观AUC为0.9989.
- 在分类准确性方面表现优于既定的基线模型.
- 通过定量和定性分析,证明了瘤亚型之间的强有力的歧视.
结论:
- 骨-CNN在诊断准确性和计算效率之间提供了强大的平衡.
- 轻量级的设计使 Bone-CNN 适合临床部署.
- 支持可扩展和有效的基于X射线图的初级骨瘤评估.
