用于脑磁共振图像多分类的深度迁移学习
计算机视觉与模式识别
2021-06-16 v2 机器学习
摘要
磁共振成像（MRI）是放射学领域用于生成患者解剖与生理结构图像的主要诊断方法。MRI 是发现软组织异常 prevalent 的医学影像手段。传统上由放射科医生分析以检测软组织异常，尤其是脑部。解读大量患者 MRI 的过程十分费力。因此，使用机器学习方法可辅助以相当高的准确度检测软组织异常。在本研究中，我们整理了一个新颖数据集并开发了一个利用深度迁移学习对脑 MRI 图像中的肿瘤进行多分类的框架。本文采用深度残差卷积神经网络（ResNet50）架构并结合判别学习技术训练模型。使用整理的数据集与两个公开可用的脑 MRI 数据集，该提出的方法在整理数据集上达到 86.40% 的分类准确率，在 Harvard Whole Brain Atlas 数据集上达到 93.80%，在 School of Biomedical Engineering 数据集上达到 97.05% 准确率。我们的实验结果显著表明所提出的迁移学习框架是一种潜在且有效的脑肿瘤多分类任务方法。
引用
@article{arxiv.2106.07333,
title = {Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification},
author = {Yusuf Brima and Mossadek Hossain Kamal Tushar and Upama Kabir and Tariqul Islam},
journal= {arXiv preprint arXiv:2106.07333},
year = {2021}
}
备注
This work was carried out as a collaboration between the Department of Computer Science and Engineering -- the University of Dhaka and the National Institute of Neuroscience (NINS), Bangladesh. We created a novel neurological discord dataset of 37 disease categories