从图像到洞察:利用可解释人工智能变革脑癌诊断
图像与视频处理
2025-01-10 v1 计算机视觉与模式识别
定量方法
摘要
脑癌是医学诊断中的重大挑战,需要精确且及时的检测以实现有效治疗。诊断最初依赖于放射科医生的专业水平,而在专业资源稀缺时,这会带来困难和风险。尽管使用了影像资源,脑癌诊断仍然常常困难、耗时,且易受类内变异性的影响。本研究公开了孟加拉国脑癌 MRI 数据集,包含 6,056 张 MRI 图像,分为三类:脑肿瘤(Brain Tumor)、脑胶质瘤(Brain Glioma)和脑膜瘤(Brain Menin)。该数据集采集自孟加拉国的多家医院,提供了多样且真实的研究样本。我们实现了多种先进的深度学习模型,其中 DenseNet169 取得了卓越结果,其准确率、精确率、召回率和 F1 分数均达到 0.9983。此外,我们采用了包括 GradCAM、GradCAM++、ScoreCAM 和 LayerCAM 在内的可解释人工智能(XAI)方法,以直观展示模型的决策过程。在脑癌诊断的背景下,这些技术凸显了 DenseNet169 在提升诊断准确率的同时提供透明性的潜力,有助于实现早期诊断并改善患者预后。
引用
@article{arxiv.2501.05426,
title = {From Images to Insights: Transforming Brain Cancer Diagnosis with Explainable AI},
author = {Md. Arafat Alam Khandaker and Ziyan Shirin Raha and Salehin Bin Iqbal and M. F. Mridha and Jungpil Shin},
journal= {arXiv preprint arXiv:2501.05426},
year = {2025}
}
备注
Accepted in 2024 27th International Conference on Computer and Information Technology (ICCIT)