使用新型深度残差与区域 CNN 的脑肿瘤 MRI 分类
图像与视频处理
2022-12-13 v2 计算机视觉与模式识别
机器学习
摘要
脑肿瘤分类对于临床分析和治愈患者的有效治疗计划至关重要。深度学习模型帮助放射科医生在无需人工干预的情况下准确高效地分析肿瘤。然而，由于脑肿瘤复杂的结构、纹理、大小、位置和外观，其分析具有挑战性。因此，开发了一种新型深度残差与区域基础的 Res-BRNet 卷积神经网络（CNN），用于有效的脑肿瘤磁共振成像（MRI）分类。所开发的 Res-BRNet 在修改后的空间和残差块内以系统顺序采用了区域和边界操作。此外，空间块在抽象层提取同质性和边界定义特征。进一步地，在目标层采用的残差块显著学习不同类别脑肿瘤的局部和全局纹理变化。所开发 Res-BRNet 的效率在标准数据集上进行了评估；该数据集收集自 Kaggle 和 Figshare，包含各种肿瘤类别，包括脑膜瘤、胶质瘤、垂体瘤和健康图像。实验证明，所开发的 Res-BRNet 优于标准 CNN 模型，并在具有挑战性的数据集上取得了优异的性能（准确率：98.22%，灵敏度：0.9811，F 分数：0.9841，精确率：0.9822）。此外，所提出的 Res-BRNet 的性能表明其在基于医学图像的疾病分析方面具有巨大潜力。
引用
@article{arxiv.2211.16571,
title = {Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN},
author = {Mirza Mumtaz Zahoor and Saddam Hussain Khan},
journal= {arXiv preprint arXiv:2211.16571},
year = {2022}
}
备注
21 pages, 11 figures, 4 tables