46、基于卷积神经网络的可解释性自动脑肿瘤检测

基于卷积神经网络的可解释性自动脑肿瘤检测

1. 引言

大脑是人体最大且最复杂的器官，它控制着整个神经系统，拥有约 1000 亿个神经细胞。大脑的任何异常都可能对人体健康造成危害，其中最严重的情况之一就是脑肿瘤。世界卫生组织（WHO）将脑肿瘤分为四类，1 级和 2 级肿瘤如脑膜瘤，3 级和 4 级肿瘤如神经胶质瘤则更为严重。在临床实践中，脑膜瘤、垂体瘤和神经胶质瘤的发病率分别约为 15%、15% 和 45%。

为了准确分类脑肿瘤，人们进行了多次尝试。传统机器学习技术依赖手动提取的特征，降低了解决方案的鲁棒性。而基于深度学习的算法性能显著更高，因为它们能自动提取有益特征。然而，获取深度学习算法所需的大量标记数据是一项艰巨的任务。本文的主要贡献如下：
1. 提出了一种快速有效的轻量级卷积神经网络（CNN）分类系统，使用三个数据集合并而成的数据集对脑肿瘤进行多类别分类。
2. 采用基于轻量级 CNN 的 MRI 图像分类模型，对垂体瘤、神经胶质瘤、脑膜瘤和无肿瘤四类进行分类。
3. 使用可解释人工智能工具（Grad - CAM），通过神经网络中目标的梯度定位和突出图像中的特定目标区域，验证所提出的 CNN 模型的结果。

通过准确率、特异性、精确率和 F1 分数等指标分析了所推荐 CNN 模型的效率和有效性，该方法的准确率高于其他先进方法。

2. 文献综述

此前有许多关于脑肿瘤分类的研究：
|研究者|模型|数据集|准确率等指标|
| ---- | ---- | ---- | ---- |
|Ayadi 等|CNN 模型|Figshare|整体准确率 94.74%，垂体瘤、神经胶质瘤和脑膜