通过传统人工智能和流行深度学习模型增强脑部异常的预诊断：比较分析

摘要- 本研究主要目标是通过应用传统和流行的分割方法与深度学习模型对特定脑肿瘤进行预诊断和预测，并分析人工智能和深度学习方法与模型之间的比较性能。目前使用的诊断方法通常是主观的，耗时且需要高度专业的知识。为了确定并克服这些局限性，我们提出了两种深度学习分割方法的良好开发，这些方法能够准确而高效地分析脑肿瘤的磁共振成像(MRI)和计算机断层扫描(CT)影像数据。这些模型包括传统AI模型的支持向量机(SVM)和流行深度学习模型架构的ResNet50和InceptionV3，这些模型用于诊断特定重要的脑部疾病，包括缺血性中风、低级别胶质瘤(LGG)以及正常(无肿瘤)病例。此外，在医学领域，缺血性中风和LGG图像不能很好地确定，可能会出现误诊。因此，使用这些深度学习模型克服了上述问题和限制。初始阶段涉及对大规模开放源/公共数据集的MRI和CT图像进行细致的收集和预处理，仔细区分缺血性中风和LGG患者与健康个体。这些模型使用预处理的图像数据集进行了严格的训练，并通过多种准确度指标进行了评估。虽然利用支持向量机(SVM)的传统方法实现了77%的准确率，但深度学习架构显示出了显著的进步，其中ResNet50和InceptionV3达到了约97%的准确率。InceptionV3模型的轻量级架构与有效的数据增强和迁移学习策略相结合，展示了卓越的诊断效率和准确性。这些结果突显了深度学习在革命化脑肿瘤/病变诊断方面的巨大潜力。