Rozszerzona fuzja multimodalna do optymalnego wykrywania guzów mózgu: ocena i analiza porównawcza

Pirishita Tuteja; Shruti Arora; Aanshi Bhardwaj; Niyaz Ahmad Wani; Naveed Ahmad; Mohammed Alshara; Yasir Javed

doi:10.3791/67822

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Rozszerzona fuzja multimodalna do optymalnego wykrywania guzów mózgu: ocena i analiza porównawcza

761 wyświetleń

⸱

DOI:

10.3791/67822

⸱

10 czerwca 2025

Pirishita Tuteja¹ , Shruti Arora² , Aanshi Bhardwaj¹ , Niyaz Ahmad Wani³ , Naveed Ahmad⁴ , Mohammed Alshara⁵^,⁶ , Yasir Javed⁴

¹Amity School of Engineering and Technology, Amity University, ²Chitkara University Institute of Engineering and Technology, Chitkara University, ³Thapar Institute of Engineering and Technology, ⁴Department of Computer Science, Prince Sultan University, ⁵College of Computer and Information Sciences, Prince Sultan University, ⁶College of Computer and Information Sciences, Imam Mohammad Ibn Saud Islamic University

W tym artykule

Podsumowanie

To badanie proponuje zoptymalizowaną metodę wykrywania guzów mózgu poprzez integrację i ocenę pięciu wstępnie wytrenowanych modeli. Podejście to osiąga zwiększoną dokładność i uogólnienie dzięki wykorzystaniu zaawansowanego powiększania obrazu, dostrajania hiperparametrów i różnych optymalizatorów, oferując znaczący wkład w obrazowanie medyczne w diagnostyce guza mózgu.

Streszczenie

Guzy mózgu stanowią poważne wyzwanie medyczne, wymagające dokładnych i skutecznych metod wykrywania w celu szybkiej interwencji. Praca ta integruje kilka wstępnie wytrenowanych modeli podstawowych, takich jak VGG16, MobileNetV2, DenseNet121, InceptionV3 i ResNet50, aby zaproponować nową metodę diagnozowania guzów mózgu. Zaproponowano uproszczoną i ustandaryzowaną technikę, aby dostosować się do różnych modeli podstawowych, zapewniając spójność i łatwość konserwacji oraz ułatwiając porównywanie modeli. Aby zwiększyć różnorodność zestawu danych treningowych i zwiększyć uogólnienie modelu, stosuje się godne uwagi metody zwiększania obrazu, takie jak regulacja jasności i kontrastu. Co więcej, skuteczny potok szkoleniowy wykorzystujący generatory danych został zaprojektowany tak, aby wydajnie przetwarzać duże zbiory danych przy jednoczesnym oszczędzaniu mocy obliczeniowej.

Badanie przeprowadziło dokładną analizę przy użyciu trzech różnych optymalizatorów (Adam, Stochastic Gradient Descent i Adamax) zastosowanych do każdego wstępnie wytrenowanego modelu podstawowego, z kompleksowymi dostosowaniami hiperparametrów. Metryki, takie jak kompletność, dokładność, precyzja, wynik F1 i macierze pomyłek, są używane do oceny wydajności modelu, zapewniając kompleksowe zrozumienie zachowania modelu. Systematyczne porównanie wydajności każdego modelu zapewniło dogłębne zbadanie mocnych i słabych stron, ułatwiając świadomy wybór modelu i podejmowanie decyzji w zastosowaniach związanych z wykrywaniem guzów mózgu. MobileNetV2 osiągnął najwyższą ogólną wydajność z dokładnością 96%, precyzją 96%, przywołaniem 94% i wynikiem F1 wynoszącym 95% przy użyciu optymalizatora Adam. DenseNet121 i VGG16 również osiągnęły dobre wyniki, osiągając dokładność odpowiednio 95% i 94%. InceptionV3 wykazał nieco niższą wydajność w porównaniu z najlepszymi modelami, z dokładnością 93%, precyzją 93%, pamięcią 91% i wynikiem F1 wynoszącym 92%. ResNet50 wykazał się stosunkowo niższą wydajnością z dokładnością 77%, precyzją 78%, kompletnością 76% i wynikiem F1 wynoszącym 76%. Wskaźniki te wskazują na solidność i skuteczność proponowanej metody wykrywania guzów mózgu.

Wprowadzenie

Guzy mózgu, czy to łagodne, czy złośliwe, stanowią poważne zagrożenie dla ludzkiego zdrowia i dobrego samopoczucia. Szybkie wykrycie tych nowotworów odgrywa kluczową rolę w określaniu wyników leczenia pacjentów, co czyni je priorytetem w dziedzinie medycyny¹^,³⁹(patrz również Tabela uzupełniająca S1). Wykrywanie guzów mózgu na wczesnym etapie jest nie tylko istotnym celem medycznym, ale także kluczowym kołem ratunkowym dla pacjentów. Umożliwiając szybką interwencję i dostęp do skutecznych opcji leczenia, sprzyja lepszemu rokowaniu, wzmacnia pozycję pacjentów i zmniejsza ogólne ....