用于MRI图像脑肿瘤分层的加权平均集成深度学习模型

早期诊断脑肿瘤可以提高成功治疗的机会，改善患者的预后。在生物医学产业中，可以使用非侵入性诊断程序，如磁共振成像（MRI），来诊断脑肿瘤。深度学习，一种人工智能类型，可以在几秒钟内分析MRI图像，减少诊断所需时间并可能改善患者的预后。此外，集成模型通过结合多种模型的优势并弥补它们各自的不足，有助于提高分类的准确性。因此，在本研究中，提出了一种加权平均集成深度学习模型用于脑肿瘤的分类。对于加权集成分类模型，从迁移学习VGG19模型、未增强的卷积神经网络（CNN）模型和增强的CNN模型中提取三种不同的特征空间。这三种特征空间通过使用网格搜索的方法，结合最佳权重组合，即weight1、weight2和weight3。用于模拟的数据集来自癌症基因组图谱（TCGA），包含3929张110名患者的低级别胶质瘤MRI图像。集成模型通过结合学习了数据不同方面的多个模型来减少过拟合。所提出的集成模型在准确性、精确度和F1分数方面优于三个单独模型在脑肿瘤检测中的表现。因此，所提出的模型可以作为放射科医生从脑部MRI图像中诊断肿瘤的第二意见工具。