适应性多功能融合架构,优化学习,用于MRI中高可靠性脑瘤分类
Mohammed Safy1, Mahmoud Khaled Abd-Ellah2, Esraa Salah Bayoumi3,4
1College of Computing and Information Technology, Arab Academy for Science, Technology and Maritime Transport (AASTMT), Smart Village, B 2401, Giza, Egypt.
Scientific reports
|March 9, 2026
概括
这项研究引入了一种先进的计算机辅助诊断框架,用于脑质瘤检测. 这种新方法显著提高了使用MRI扫描区分高度质瘤,低度质瘤和健康的大脑组织的准确性.
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:
- 脑质瘤是具有诊断挑战的侵袭性癌症.
- 目前的计算机辅助诊断 (CAD) 方法难以在MRI上准确区分质瘤等级和健康组织.
- 早期和精确的诊断对于有效治疗脑质瘤至关重要.
研究的目的:
- 开发和评估一种新的多阶段框架,以改进高级质瘤 (HG-G),低级质瘤 (LG-G) 和健康的大脑组织的分类.
- 用磁共振图像 (MRI) 提高脑质瘤的计算机辅助诊断的准确性和稳定性.
- 将先进的图像处理技术与深度学习和传统机器学习相结合,以获得卓越的诊断性能.
主要方法:
- 一个多阶段的框架,包括适应性马校正 (AGC) 来增强对比度,以及用于降低噪音的消解卷积神经网络 (DnCNN).
- 从三个微调转移学习CNN (TRCNNs) 中使用深度表示的特征提取与灰级共发生矩阵 (GLCM) 纹理特征相结合,创建九个CNN-GLCM融合特征 (CGFF) 集.
- 使用诸如随机森林 (RF),极端梯度增强 (XGBoost),LightGBM和支持向量机 (SVM) 等分类器对CGFF集的评估,以堆叠的组合为稳定性.
主要成果:
- 拟议的框架实现了高性能指标:99.05%的准确性,98.99%的回忆,99.52%的特异性,99.08%的正预测值 (PPV) 和99.54%的负预测值 (NPV).
- 混合特征集 (CGFF) 与强大的分类器相结合,在所有评估指标中,与最先进的 (SOTA) 方法相比,表现优越.
- 使用弗里德曼测试 (p < 0.05) 的统计验证证实了性能改进的可靠性和意义.
结论:
- 开发的多阶段框架为MRI脑质瘤的计算机辅助诊断提供了一个高度准确和强大的解决方案.
- 集成增强的图像预处理,深度学习功能和纹理分析,为具有挑战性的医疗图像分类任务提供了强大的方法.
- 这种先进的CAD系统有可能在早期和精确诊断脑质瘤方面显著帮助临床医生,改善患者的治疗结果.
