深度学习用于大脑瘤分类
Justin S Paul1, Andrew J Plassard1, Bennett A Landman1,2
1Computer Science, Vanderbilt University, Nashville, TN, USA 37235.
概括
深度学习使用MRI图像准确地分类大脑瘤. 这种方法获得了超过91%的准确性,超过了用于脑膜瘤,质瘤和垂体瘤检测的专用方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 深度学习 (DL) 在监督机器学习和图像分类方面表现有前途.
- 准确的脑瘤分类对于有效的治疗计划至关重要.
研究的目的:
- 应用深度学习方法来分类脑膜瘤,质瘤和脑垂体瘤的脑图像.
- 评估完全连接和卷积神经网络在这个任务上的表现.
主要方法:
- 利用了来自191名患者的989张轴向T1加权对比增强MRI (CE-MRI) 图像的数据集.
- 经过训练和测试的完全连接和卷积神经网络,包括数据增强.
- 在绩效评估中采用五重交叉验证策略.
主要成果:
- 最好的训练神经网络实现了91.43%的平均交叉验证准确率.
- 深度学习模型在分类不同类型的大脑瘤方面表现出高准确度.
- 一般的深度学习方法在瘤分类方面表现优于专业方法.
结论:
- 深度学习是使用MRI数据进行脑瘤分类的高效方法.
- 这项研究强调了DL的潜力,以提高诊断准确性和潜在的患者结果.
- 这些发现表明DL可以成为神经瘤学中一个有价值的工具,用于自动瘤检测和分类.