Ein Deep-Learning-Modell basierend auf dem Verkettungsansatz zur Diagnose von Hirntumoren

Hirntumor ist eine tödliche Krankheit und seine Klassifikation ist eine herausfordernde Aufgabe für Radiologen aufgrund der heterogenen Natur der Tumorzellen. In letzter Zeit haben computerunterstützte Diagnosesysteme als unterstützende Technologie versprochen, Hirntumoren durch magnetische Resonanzbildgebung (MRT) zu diagnostizieren. In aktuellen Anwendungen von vortrainierten Modellen werden normalerweise Merkmale aus unteren Schichten extrahiert, die sich von natürlichen Bildern zu medizinischen Bildern unterscheiden. Um dieses Problem zu überwinden, schlägt diese Studie eine Methode zur Extraktion und Verkettung von mehrstufigen Merkmalen zur frühzeitigen Diagnose von Hirntumoren vor. Zwei vortrainierte Deep-Learning-Modelle, d.h. Inception-v3 und DensNet201, validieren dieses Modell. Mit Hilfe dieser beiden Modelle wurden zwei verschiedene Szenarien zur Erkennung und Klassifikation von Hirntumoren evaluiert. Zuerst wurden die Merkmale aus verschiedenen Inception-Modulen aus dem vortrainierten Inception-v3-Modell extrahiert und diese Merkmale zur Klassifikation von Hirntumoren verkettet. Dann wurden diese Merkmale an den Softmax-Klassifikator übergeben, um den Hirntumor zu klassifizieren. Zweitens wurde das vortrainierte DensNet201 verwendet, um Merkmale aus verschiedenen DensNet-Blöcken zu extrahieren. Diese Merkmale wurden dann verkettet und an den Softmax-Klassifikator zur Klassifikation des Hirntumors übergeben. Beide Szenarien wurden mit Hilfe eines öffentlich verfügbaren Drei-Klassen-Hirntumor-Datensatzes evaluiert. Die vorgeschlagene Methode erzielte 99,34 % bzw. 99,51 % Testgenauigkeiten mit Inception-v3 und DensNet201 bei den Testproben und erreichte die beste Leistung bei der Erkennung von Hirntumoren. Die Ergebnisse deuten darauf hin, dass die vorgeschlagene Methode, die auf der Verkettung von Merkmalen mit vortrainierten Modellen basiert, im Vergleich zu bestehenden hochmodernen Methoden des Deep Learning und Machine Learning zur Klassifikation von Hirntumoren überlegen war.