Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
В данном исследовании представлена лёгкая концепция глубокого обучения на основе внимания для четырёхклассной классификации опухолей мозга по МРТ-снимкам с использованием трансферного обучения с помощью MobileNetV2, EfficientNetV1 и Inception-ResNet-V2. Модель достигает высокой точности классификации при снижении вычислительной сложности, поддерживая клинические приложения поддержки принятия решений с ограниченными ресурсами.
Цель этого исследования — разработать лёгкую, но точную систему глубокого обучения для классификации опухолей мозга на четыре категории — глиомы, менингиомы, опухоли гипофиза и здоровую ткань мозга — с использованием данных магнитно-резонансной томографии (МРТ). Предлагаемая методология сочетает трансферное обучение с тремя заранее обученными моделями сверточной нейронной сети — MobileNetV2, EfficientNetV1 и Inception-ResNet-V2 — интегрируя с механизмом внимания, имитирующий способность зрительной системы человека фокусироваться на клинически значимых областях изображения. Такой подход, ориентированный на внимание, улучшает локализацию опухоли, подавляя при этом нерелевантную фоновую информацию. Фреймворк оценивается на большом, общедоступном наборе данных по МРТ мозга, содержащем тысячи маркированных изображений из четырёх классов. Используются стандартные протоколы предварительной обработки, дополнения данных и обучения для простого воспроизведения предлагаемого метода. Экспериментальные результаты показывают, что EfficientNetV1 достигает наивысших показателей классификации, достигая превосходящей точности по сравнению с MobileNetV2 и Inception-ResNet-V2. Исследование делает вывод, что предлагаемая легкая, ориентированная на внимание фреймворк эффективно балансирует точность и вычислительную сложность, что делает её очень удобной для приложений в реальном времени и мобильных медицинских системах, особенно в условиях ограниченных ресурсов.
Точная классификация опухолей мозга с помощью магнитно-резонансной томографии (МРТ) играет ключевую роль в клинической диагностике, планировании лечения и оценкепрогноза. 1. Опухоли мозга, включая глиому, менингиому и опухоли гипофиза, демонстрируют характерные патологические характеристики и ответы на лечение; Поэтому ранняя и надежная идентификация необходима для улучшения терапевтических результатов и снижения прогрессирования заболевания. МРТ широко предпочитается для оценки опухолей мозга благодаря своему превосходному контрасту мягких тканей, неинвазивному характеру и способности визуализировать морфологи....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
В этом исследовании использовался общедоступный, анонимизированный набор данных; поэтому информированное согласие не требовалось. Предлагаемый подход состоит из шести компонентов: предварительной обработки, свёртки, модуля внимания, интеграции модулей свёртки и внимания, а также полностью связанных (FC) уровней. Рисунок 1 иллюстрирует полный рабочий процесс нашего метода.
Сбор наборов данных
Маркированные изображения МРТ мозга получаются из общедоступного набора данных Kaggle, включающего четыре категории опухолей и нормальную ткань.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Три предварительно обученные модели глубокого обучения, а именно MobileNetV2, EfficientNetV1 и Inception-ResNet-V2, были оценены для четырёхклассной классификации опухолей мозга с использованием МРТ-изображений.
Используемый набор данных
Предлагаемая структура была оценена с использованием общедоступного МРТ-набора опухолей мозга, полученного с платформы Kaggle. Набор данных включал 835 обычных МРТ-изображений мозга, 826 изображений глиомы,.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Оценка производительности, основанная на точности, воспоминании, F1-балле и точности, показывает, что и MobileNetV2, и Inception-ResNet-V2 достигают сопоставимых результатов в классификации опухолей мозга, каждая с совокупной и взвешенной средней точностью 97–98%. В отличие от этого, EfficientNet превосходит другие модели, достигая точности 99% по макро- и взвешенным метрикам благодаря улучшенной стратегии обобщения и сложного масштабирования. Эти результаты согласуются с предыдущими исс.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
У авторов нет конфликта интересов, которые можно было бы заявлять.
Внешнее финансирование для этого исследования не было получено.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Набор данных МРТ мозга | IEEE | https://dx.doi.org/10.21227/q2vt-tf46 | Набор данных загружается с доступом в институт. Набор МРТ содержит четыре класса: глиома, менингиома, опухоль гипофиза и нормальный мозг |
| Ускоритель CNN (объединение слоев) | Предлагаемая работа | — | Логическое объединение верхних сверточных слоев для уменьшения доступа к памяти и повышения вычислительной эффективности |
| Пользовательский модуль внимания | Предлагаемая работа | — | Механизм внимания, интегрирующий макс-пулинг и среднее пулинги для выделения тумор-релевантных областей |
| EfficientNetV1 | Предварительно обученная (ImageNet) | Масштабируемая архитектура CNN, обеспечивающая оптимальный обмен точностью и эффективностью | |
| Google Colaboratory | https://colab.research.google.com/ | Облачная среда, используемая для обучения модели, оценки и экспериментов с поддержкой GPU | |
| Inception-ResNet-V2 | Предварительно обученная (ImageNet) | Глубокая гибридная архитектура CNN, сочетающая модули Inception с остаточными связями | |
| Keras | v2.6.0 | API высокого уровня для нейронных сетей, созданный на основе TensorFlow для быстрого прототипирования моделей | |
| Matplotlib | Matplotlib Developers | v3.4.3 | Библиотека визуализации, используемая для построения графиков кривых обучения, матриц путаницы и показателей производительности |
| MobileNetV2 | Предварительно обученная (ImageNet) | Легкая основа CNN, оптимизированная для мобильного и крайнего развертывания | |
| NumPy | NumPy Developers | v1.21.4 | Основная библиотека научных вычислений, используемая для числовых операций |
| Pandas | Pandas Development Team | v1.3.4 | Библиотека обработки и манипуляции данными, используемая для организации наборов данных и обработки метаданных |
| Python | Python Software Foundation | v3.8.10 | Основной язык программирования, используемый для предварительной обработки данных, разработки и оценки моделей |
| Scikit-learn | Scikit-learn Developers | Последняя стабильная | Используется для оценки показателей производительности, таких как точность, полнота, F1-показатель и матрицы путаницы |
| Seaborn | Seaborn Developers | Последняя стабильная | Библиотека статистической визуализации высокого уровня, используемая для улучшенного графического анализа |
| TensorFlow | v2.6.0 | End-to-end фреймворк для глубокого обучения, используемый для реализации основ CNN и модулей внимания |