Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.
Methodenartikel
Diese Forschungsarbeit stellte einen Ansatz, FusionNetX, vor, bei dem die Fähigkeit zur Merkmalsfusion von DenseNet121 und EfficientNetB7 durch Datenaugmentierung, Vorverarbeitung und Anpassung des hybriden Modells (intermediate Fusion) verbessert wurde, um Gehirntumore in fünf öffentlich verfügbaren Datensätzen zu klassifizieren, wobei Ergebnisse zwischen 98,77 % und 99,89 % erzielt wurden und der Ansatz in mehreren Evaluierungsparametern überlegen war.
Hirntumore gelten als eine der tödlichsten Erkrankungen weltweit, und eine Fehldiagnose gefährdet das Leben der Patienten sowie verringert die Überlebensrate. Die Magnetresonanztomographie (MRT) in Kombination mit auf Deep Learning basierenden Verfahren, insbesondere faltenden neuronalen Netzen, ist entscheidend, um diese Hürde zu überwinden, da sie eine detailliertere Untersuchung der inneren Struktur des Gehirns ermöglicht und hervorragende Lern- und Vorhersagefähigkeiten bietet. Die Notwendigkeit einer genauen Diagnose von Hirntumoren bleibt weiterhin hoch. Daher wird ein erweitertes, auf Merkmalsfusion basierendes Deep-Learning-Modell (FusionNetX) vorgeschlagen, das die Stärken zweier vortrainierter Modelle, DenseNet121 und EfficientNetB7, nutzt und dabei angepasste Hyperparameter für die Feinabstimmung verwendet, einschließlich trainierbarer und nicht-trainierbarer Schichten. Das vorgeschlagene FusionNetX-Modell wurde auf fünf öffentlich verfügbare Datensätze zu Hirntumoren angewandt: Br35H, Figshare, Sartaj, Masoud und Balanced Brain Tumor. Zur Verbesserung der Bildqualität und zur Vermeidung von Überanpassung wurden einige Vorverarbeitungsschritte wie Größenänderung und Datenaugmentierung durchgeführt. Mithilfe verschiedener Leistungsbewertungsmetriken – wie Genauigkeit, Verlust, positiver Vorhersagewert, negativer Vorhersagewert, True-Positive-Rate, True-Negative-Rate, F1-Score, False-Negative-Rate und False-Positive-Rate – zeigte sich, dass das vorgeschlagene Modell FusionNetX eine Genauigkeit von 99,33 % für Br35H, 99,13 % für Figshare, 99,89 % für Masoud, 99,19 % für BBT-Dataset und 98,77 % für Sartaj erreichte. Zusätzlich wurden die fünf Datensätze zu Hirntumoren mittels spätem und auf Aufmerksamkeitsmechanismen basierendem Fusionsverfahren ausgewertet, um die Bedeutung des vorgeschlagenen FusionNetX-Modells zu verdeutlichen; die Ergebnisse waren deutlich besser mit Gewinnen zwischen 0,3 % und 1,9 % über alle Datensätze hinweg. Darüber hinaus wurde die Receiver-Operating-Characteristic-Kurve berechnet, und die Ergebnisse verschiedener Leistungsbewertungsmetriken zeigen, dass das vorgeschlagene FusionNetX-Modell Hirntumore präzise erkennen und vorhersagen kann und somit medizinischem Fachpersonal bei der zeitnahen Entscheidungsfindung hilft.
Krebs ist heutzutage die tödlichste Erkrankung im menschlichen Körper aufgrund seiner Schwere und steigenden Häufigkeit, während mehrere Krebserkrankungen wie Gehirntumore, Brustkrebs, Lungenknoten, Nierenkrebs und andere im menschlichen Körper auftreten und somit die Sterblichkeitsrate erhöhen. Krebs entsteht, wenn sich Zellen oder Gewebe im Körper eines Menschen abnormal vermehren. Wenn sich der Krebs metastasiert, kann er andere Organe schädigen und dadurch noch gefährlicher werden1. Da das Gehirn alle Körperfunktionen steuert, kann jede Schädigung weitreichende Folgen für den gesamten Körper haben. Deshalb sind Gehirntumore oder....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die bedrohlichste Krankheit der Welt ist ein Hirntumor. Eine genaue Diagnose kann das Überleben der Patienten verbessern. Dennoch besteht weiterhin Bedarf an einem präzisen Diagnosesystem, das Hirntumore in einem frühen Stadium erkennen kann. Um dieses Problem zu lösen, wurde eine zuverlässigere Technik zur genauen Früherkennung von Hirntumoren vorgeschlagen, die auf einem hybriden, dualen Deep-Learning-Verfahren mit optimierten Hyperparametern und feinabgestimmten Schichten basiert, die auf den Modellen DenseNet121 und EfficientNetB7 beruhen. Der vorgeschlagene Ansatz verwendet 2D-MRT-Bilder als Eingabe und liefert eine Vorhersage über das Vorhandensein oder Nichtvor....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Dieser Teil beschreibt die Ergebnisse der Überprüfung des vorgeschlagenen Dual-Feature-Fusion-Modells anhand von fünf Open-Source-Datensätzen zu Gehirntumoren, einschließlich der Datensätze Br35H, Figshare, Sartaj, Masoud und Balanced Brain Tumor. Die Leistung wird anhand verschiedener statistischer Parameter zur Leistungsbewertung bewertet, darunter Genauigkeit42,43,44, Fehlklassifizierungsrate (MCR)45, .......
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Zusammenfassend funktionierte das vorgeschlagene Modell wie folgt: Zunächst wurde die Bildgröße auf 224 × 224 festgelegt, was eine moderate Größe darstellt, die es jedem Deep-Learning-Modell ermöglicht, geeignete Merkmale aus den Datensätzen zu extrahieren und zu lernen, ohne dabei wichtige Informationen zu verlieren. Anschließend wurde eine Datenaugmentierung durchgeführt, was vorteilhaft ist, um die Datensätze in vielfältigere Richtungen zu erweitern und somit eine wichtige Rolle dabei spielt, dass Modelle Merkmale aus.......
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
Die Autoren haben nichts zu offenbaren und weisen keinerlei Interessenkonflikte auf. Darüber hinaus wurden keine KI-Tools zur Erstellung des Manuskripts sowie der Abbildungen verwendet.
Die Autoren danken für die Unterstützung durch das Princess Nourah bint Abdulrahman University Researchers Supporting Project (PNURSP2026R192), Princess Nourah bint Abdulrahman University, Riad, Saudi-Arabien. Die Autoren danken außerdem den Forschungsteilnehmern und Institutionen, die zu dieser Studie beigetragen haben.
Finanzierung:
Diese Arbeit wurde durch eine Förderung der National Research Foundation of Korea (NRF), finanziert durch das koreanische Ministerium für Wissenschaft und Informationstechnologie (MSIT) (Nr. RS-2023-00218176), sowie durch das Forschungsstipendium der Soonchunhyang University unterst....
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| Br35H-Hirntumordatensatz | Kaggle (Datensatz-Ersteller) | https://www.kaggle.com/datasets/ahmedhamada0/brain-tumor-detection | Öffentlicher Datensatz; binäre Klassifizierung (Tumor / kein Tumor), 300 MRT-Bilder |
| Figshare-Hirntumordatensatz | Kaggle / Figshare | https://doi.org/10.6084/m9.figshare.1512427 | Öffentlicher Datensatz; Multiklasse (Gliom, Meningeom, Hypophysentumor), 3064 MRT-Bilder |
| Sartaj-Datensatz zur MRT-Klassifizierung von Hirntumoren | Kaggle (Datensatz von Sartaj Bhuvaji) | https://doi.org/10.34740/kaggle/dsv/12745533 | Öffentlicher Datensatz; Multiklasse (Gliom, Meningeom, kein Tumor, Hypophysentumor), 3264 MRT-Bilder |
| Masoud-Hirntumor-MRT-Datensatz | Kaggle (Datensatz von Masoud Nickparvar) | https://doi.org/10.34740/kaggle/dsv/14832123 | Öffentlicher Datensatz; Multiklasse (Gliom, Meningeom, kein Tumor, Hypophysentumor), 7023 MRT-Bilder |
| BBT-Datensatz (Hirntumordatensatz) | Kaggle (Datensatz-Ersteller) | https://doi.org/10.34740/kaggle/dsv/6758053 | Öffentlicher Datensatz; ausgewogener Multiklasse-Hirntumordatensatz, 5248 MRT-Bilder |
| Python | Python Software Foundation | https://www.python.org | Programmiersprache, Version 3.10.13 |
| TensorFlow / Keras | Google / TensorFlow-Entwickler | https://www.tensorflow.org | Tiefes Lern-Framework; Modellkonstruktion, -training und -bewertung, Version 2.15.0 |
| EfficientNetB7 (vortrainiert) | Google / Keras Applications | https://keras.io/api/applications/efficientnet/ | ImageNet-vortrainiertes Backbone; Merkmalsextraktion |
| DenseNet121 (vortrainiert) | Keras Applications | https://keras.io/api/applications/densenet/ | ImageNet-vortrainiertes Backbone; Merkmalsextraktion |
| scikit-learn | scikit-learn-Entwickler (NumFOCUS) | https://scikit-learn.org | Label-Codierung, Aufteilung in Trainings- und Testdaten, Evaluationsmetriken (Klassifizierungsbericht, Konfusionsmatrix, ROC/AUC) |
| OpenCV (cv2) | OpenCV-Team | https://opencv.org | Bildladen und -skalierung |
| NumPy | NumPy-Entwickler (NumFOCUS) | https://numpy.org | Numerische Berechnungen und Array-Operationen |
| pandas | pandas-Entwicklungsteam (NumFOCUS) | https://pandas.pydata.org | Datenorganisation und Zusammenstellung von Metriken in Tabellen |
Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.