.png){kind=icon}
返回
Automatic smart brain tumor classification and prediction system using deep learning
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-95803-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑肿瘤是一种严重的医疗状况，其特征为脑内细胞的异常生长。它可引起一系列症状，包括头痛、癫痫发作、认知障碍和行为改变。脑肿瘤构成重大的健康问题，给患者带来沉重的负担。及时诊断对于有效治疗和患者健康至关重要。脑肿瘤可以是良性的或恶性的，其症状常与其他神经系统疾病的症状重叠，导致诊断延迟。早期检测和诊断允许及时干预，可能阻止肿瘤发展到晚期。这降低了并发症风险并提高了恢复率。早期检测在确定最合适的治疗方案方面也具有重要意义。近年来，智能物联网设备（Smart IoT）和深度学习技术已在各种医学成像应用中取得了显著成功。本研究提出了一种智能监测系统，用于脑肿瘤的早期及时检测、分类和预测。该研究采用一个定制CNN模型和两个预训练模型，具体为Inception-v4和EfficientNet-B4，用于将脑肿瘤病例分类为以下十个类别：Meningioma、Pituitary、No tumor、Astrocytoma、Ependymoma、Glioblastoma、Oligodendroglioma、Medulloblastoma、Germinoma和Schwannoma。该定制CNN模型专门设计用于关注计算效率和对脑肿瘤分类独特挑战的适应性。其对新挑战的适应性使其成为所提出的脑肿瘤检测智能监测系统的关键组成部分。进行了广泛的实验，以研究一组多样的脑部MRI数据集，并评估所开发模型的性能。模型的精确度、敏感性、准确率、f1分数、错误率、特异度、Y指数、平衡准确率、几何平均数和ROC被用作性能指标。CNN、Inception-v4和EfficientNet-B4的平均分类准确率分别为97.58%、99.56%和99.76%。结果表明，先前提出的方法具有出色的准确性和性能。此外，训练后的模型在部署后仍能保持准确的性能。该方法在包含1000张脑肿瘤图像的测试数据集上，预测CNN的准确率为96.5%，Inception-v4为99.3%，EfficientNet-B4为99.7%。
Keyword:
Brain tumor
Deep learning
Smart healthcare
CNN
Efficient-b4
Inception-v4
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
Glioma Tumors' Classification Using Deep-Neural-Network-Based Features with SVM Classifier.png)
DIAGNOSTICS
OAAI
DIAGNOSTICSIF3.3
OAAI分享收藏分享收藏Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningInception-v4、Inception-ResNet和剩余连接对学习的影响OAAI
OAAI分享收藏Classification of Brain Tumor and its types using Convolutional Neural Network使用卷积神经网络对脑肿瘤及其类型进行分类
PREAI
分享收藏Multi-class brain tumor classification using residual network and global average pooling基于残差网络和全局平均池化的多类脑肿瘤分类
PREAI
分享收藏
查看更多内容