Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
Алгоритмы глубокого обучения были использованы в МРТ для классификации и сегментации опухолей головного мозга с помощью U-Net. InceptionV3, DenseNet201 и Inception-ResNet-v2 показали превосходную точность прогнозирования типа опухоли и ее степени. Дополненные гибридные модели GPT-4.0 для автоматического создания медицинских отчетов и помощи в диагностике.
Ранняя диагностика опухолей головного мозга имеет решающее значение для оптимизации прогноза и выбора лечения пациента. Точная сегментация и категоризация опухолей головного мозга имеют важное значение для создания специализированных методов лечения. По мере того, как использование МРТ для диагностики мозга растет, а технологии компьютерного зрения также совершенствуются, наличие хорошей и эффективной модели для выявления и категоризации опухолей на основе МРТ сканирования остается сложной задачей. Чтобы решить эту проблему, авторы предложили метод, основанный на глубоком обучении, для сегментации и классификации опухолей головного мозга из различных наборов данных. Для предварительной обработки изображений использовались девять методов аугментации для повышения производительности модели. Сегментация МРТ проводилась с помощью модели U-Net.
Разработанная классификационная модель на основе InceptionV3 и DenseNet201 предсказывает существование опухоли и классифицирует ее на глиому, менингиому и гипофиз. Обладая точностью 99,15%, InceptionV3 превосходит DenseNet201 (98,75%) в классификации опухолей. Дополнительная классификация опухолей была выполнена с помощью кластеризации как HGG и LGG на основе Inception-ResNet-v2. Степени опухоли (1-4) идентифицируются с точностью 96,64% с помощью Inception-ResNet-v2. Автономная система интегрирует гибридные модели с GPT-4.0 для формирования отчетов. Таким образом, эта новая структура вполне может быть пригодна для клиник при использовании для автоматической идентификации и разделения опухолей головного мозга с использованием входных изображений, полученных с помощью МРТ.
Опухоли головного мозга могут значительно ухудшать качество жизни пациентов и их семей и составлять один случай из каждых 100 случаев рака, ежегодно лечащихся в США: 1,2,3. Глиома является наиболее распространенной первичной опухолью головного мозга среди людей в Соединенных Штатах, заболеваемость которой составляет 6,5 на 100 000 человек. Они возникают в астроцитах, олигодендроцитах и эпендимальных клетках, глиальных клетках, которые обеспечивают питание нейронов мозга. Глиома классифицируется на различные типы в зависимости от пораженной гл....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Описание набора данных и исследовательский анализ
Набор данных состоит из нескольких источников для повышения надежности и точности модели. Merged_dataset содержит 20 620 изображений из наборов данных A (3 054), B (3 264), C (10 000) и D (4 292). Кроме того, было добавлено 1425 изображений из набора данных Брэда для степеней опухоли глиомы (HGG, LGG). Этот разнообразный набор данных обеспечит лучшее обобщение, уменьшит смещения и повысит производительность модели. Большой набор данных позволяет проводить всесторонние оценки, и, таким образом, существует более высокая вероятность получения правильных прогнозов в реальных приложениях задач классифика....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В учебной среде используется графический процессор Kaggle NVIDIA Tesla T4, что способствует эффективному обучению моделей. Важными библиотеками являются TensorFlow, PyTorch, Keras, NumPy и Pinecone, которые обеспечивают надежные конвейеры глубокого обучения. DenseNet201, InceptionV3 и Inception-ResNet-v2 были выбраны из-за их продемонстрированной эффективности в медицинской визуализации. Эти конструкции обеспечивают глубокое извлечение признаков, надежный градиентный поток и гибридные преимущества, которые повышают точно.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Ранняя диагностика опухолей головного мозга может иметь важное значение для спасения жизни человека, поскольку опухоли головного мозга могут быть очень опасными и смертельными. В настоящее время диагностика опухолей полагается на ручную интерпретацию радиологов, что может привести к задержкам и человеческим ошибкам при выявлении злокачественных новообразований на ранних стадиях. Следовательно, в этой статье представлена мультиклассификационная модель диагностики опухолей головного мозга,.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
У авторов нет конфликта интересов, о котором можно было бы заявить.
Никакой
ВКЛАД АВТОРА:
Концептуализация, А.К.; курирование данных, а.к.; формальный анализ, A.K., M.U. и D.G.; расследование, А.К.; методология, А.К.; надзор, М.У. и Д.Г.; валидация, A.K., M.U. и D.G.; визуализация, А.К. и М.У.; написание оригинального проекта, А.К. и М.У.; написание рецензий и редактирование, A.K., M.U. и D.G.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| fastText | ИИ Facebook | Н/Д | Словесное представление и классификация |
| Google Colab | Гугл | Н/Д | Облачная среда Jupyter Notebook |
| Google Colab GPU/TPU | Гугл | Н/Д | Аппаратное ускорение на основе облака |
| Intel Core i5/i7 или AMD Ryzen 5/7 | Intel / AMD | Н/Д | Процессор для локального выполнения (при необходимости) |
| Matplotlib | Открытый исходный код | Н/Д | Библиотека визуализации данных |
| НЛТК | Открытый исходный код | Н/Д | Набор инструментов для обработки текста на естественном языке |
| НумПи | Открытый исходный код | Н/Д | Библиотека численных вычислений |
| NVIDIA GTX 1650 или выше (опционально) | НДВО | Н/Д | GPU для задач глубокого обучения |
| Панды | Открытый исходный код | Н/Д | Библиотека для работы с данными |
| Python | Python Software Foundation | Н/Д | Язык программирования для ML и NLP |
| PyTorch | Мета ИИ | Н/Д | Фреймворк глубокого обучения |
| Оперативная память (минимум 8 ГБ, рекомендуется 16 ГБ) | Различный | Н/Д | Требования к памяти для задач машинного обучения |
| Scikit-learn | Открытый исходный код | Н/Д | Библиотека машинного обучения |
| Сиборн | Открытый исходный код | Н/Д | Визуализация статистических данных |
| Ошалевшие | Взрывной ИИ | Н/Д | Индустриальная библиотека NLP |
| SSD-накопитель (минимум 256 ГБ, рекомендуется 512 ГБ) | Различный | Н/Д | Хранилище для обработки наборов данных |
| ТензорФлоу | Гугл | Н/Д | Фреймворк глубокого обучения |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.