Diagnose und Klassifizierung von Hirntumoren mit Hilfe neuronaler Netze
Das Ziel des Projekts war es, die Entwicklung eines automatisierten Gehirn-MRT-Diagnosesystems mit normalen und abnormalen Klassen unter Verwendung von künstlichen Intelligenz, besonders Deep Learning. Wir untersuchten die Effizienz der vorgeschlagenen Methode bei der Klassifizierung des menschlichen Gehirns in normale und abnormale Klassen.
Der erhoffte Nutzen
Wir arbeiteten mit MRT-Bilddatensätzen des Gehirns und verwendeten verschiedene Formen neuronaler Netze wie ANN, DNN und einfache neuronale Netze für die Tumorklassifizierung. Der erhoffte Nutzen besteht darin, zu demonstrieren, dass die vorgeschlagene KI Technik schnell, einfach zu bedienen, nicht-invasiv und kostengünstig ist und somit erhebliche Vorteile bei der Diagnose und Klassifizierung von Gehirntumoren bietet.
Ergebnisse
Wir haben gezeigt, dass die vorgeschlagene Methode bei der Klassifizierung des menschlichen Gehirns in normale und abnormale Klassen wirksam ist und bei der Diagnose von Hirntumoren erhebliche Vorteile bietet. Darüber hinaus haben wir den weiteren Forschungsbedarf zur Verbesserung der Tumorerkennungsverfahren aufgezeigt, indem wir verschiedene Formen neuronaler Netze erforscht und weniger markierte Bilder verwendet haben, um gute Ergebnisse zu erzielen. Wir haben auch relevante Parameter für die Bewertung der Systemleistung ermittelt, wie z. B. Genauigkeit, Zeit, Spezifität und Effizienz, und die Bedeutung der Einführung eines automatisierten Expertensystems hervorgehoben, das zu einer frühzeitigen Diagnose und verbesserten Behandlungsplanung beitragen kann.
