基于多尺度残差网络的MRI脑肿瘤分类

摘要：

目的研究和搭建人工智能深度学习网络,在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类.材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型,实现脑肿瘤的四分类任务.模型包括多尺度输入、改进残差、下采样和双通道池化共四个模块.将Kaggle中正常人和Figshare中肿瘤患者的脑部MRI图像进行数据集组合,对提出的模型进行训练和性能评估,优化网络超参数,提高分类准确率.结果在352张MRI图像上测试模型,仅使用多尺度输入模块时,得到平均分类准确率为96.59％.添加下采样模块后,准确率达到98.58％.对比最大池化、均值池化和双通道池化,准确率分别为96.02％、97.16％、98.58％.多尺度残差网络对脑肿瘤具有很好的分类效果,对胶质瘤、脑膜瘤、垂体瘤和正常无肿瘤图像的分类准确率分别为99.14％、99.14％、99.42％和99.42％.结论MRI是一种典型的检查脑肿瘤的医学成像方法,但放射科专家手工对脑肿瘤进行准确分类极具主观性和不确定性.提出的多尺度残差网络能为脑肿瘤自动分类提供有效的方法,且该网络提高了MRI脑肿瘤分类的准确率,很好地解决了梯度消失问题,提升了模型的泛化能力.

关键词：人工智能、深度学习、磁共振成像、脑肿瘤分类、多尺度残差网络、下采样、双通道池化、卷积神经网络

所属期刊栏目：14

分类号：R445.2;R739.41(诊断学)

资助基金：湖北省自然科学基金2020CFB837

在线出版日期：2023-02-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：124-129