CMES本期精选文章“GliomaCNN: An Effective Lightweight CNN Model in Assessment of Classifying Brain Tumor from Magnetic Resonance Images Using Explainable AI”（GliomaCNN:使用可解释AI从磁共振图像中评估脑肿瘤分类的有效轻量级CNN模型）。
文章背景
大脑主要由神经元组成，神经元不能分裂或在数量上增加。肿瘤是由不受控制的细胞生长引起的，影响脑组织，可以发生在任何年龄。原发性脑肿瘤起源于脑组织，胶质瘤在神经胶质细胞中发育。它可以是良性(非癌性)或恶性(癌性)。良性肿瘤生长较慢，边缘光滑;恶性肿瘤生长较快，边缘波浪形。通过人工解读来诊断脑肿瘤是非常复杂的，因此需要计算机辅助诊断（CAD）等先进的检测技术。CAD技术现在广泛应用于医学诊断，它有助于区分医学图像中的健康组织和病变组织。图像分类是图像处理和计算机视觉领域的一个重要研究领域，它利用模式识别和特征提取对脑部扫描中的肿瘤进行识别和分类。
文章亮点
这项工作采用了一种新型的轻量级卷积神经网络(CNN)模型，称为GliomaCNN，结合磁共振成像（MRI）扫描，用于对脑肿瘤进行分类。以下几点可以总结本研究的贡献:
图1： 本文提出的方法
1） 利用BraTS 2020数据集，根据肿瘤特征和图像提取特征，将MRI分为LGG和HGG两类。
图2：BraTS数据集包含两个类。(a) HGG和(b) LGG
2) 提出了一种新的轻量级CNN架构GliomaCNN，将脑肿瘤分为HGG和LGG两类，在降低计算复杂度的同时保持较高的分类准确率。
图3：CNN架构
图4：GliomaCNN的架构
3) 与各种替代模型和先前的研究成果一起评估其在脑肿瘤分类中的比较性能，以证明其有效性和对该领域的潜在贡献。
4) 使用两种可解释人工智能技术，SHapley加性解释(SHAP)和梯度加权类激活映射(grad - cam++)，增强了GliomaCNN的可信度，从而为模型的预测过程提供了可解释的见解，并阐明了有助于其预测的重要特征。
图5：:正确分类图像的SHAP输出
图6：正确分类图像的Grad-CAM输出
结论
本研究提出了一种创新的轻量级CNN模型GliomaCNN，该模型可以在高度不平衡的数据集上高精度地将脑肿瘤分类为LGG和HGG。使用GliomaCNN作为梯度增强分类器的基本估算器，我们实现了99.1569%的准确率。该模型在结合0.00001学习率的RMSProp优化器下表现最佳。未来的计划包括用其他集成技术测试GliomaCNN，并将其应用于其他身体部位的MRI，以扩大其对肿瘤分类的适用性。
扫码阅读全文
引用格式：
Vancouver Style
Rahman MA, Masum MI, Hasib KM, Mridha MF, Alfarhood S, Safran M, et al. Gliomacnn: an effective lightweight CNN model in assessment of classifying brain tumor from magnetic resonance images using explainable AI. Comput Model Eng Sci. 2024;140(3):2425-2448.
CMES期刊简介
Computer Modeling in Engineering & Sciences 期刊专注于刊发具有合理永久价值的原创研究论文和综述，涉及固体、流体、气体、生物材料和其他连续体的计算力学、计算物理、计算化学和计算生物学等领域。欢迎新颖的计算方法和最先进的计算算法，例如软计算、基于人工智能的机器学习方法和计算统计方法。
扫码进入期刊主页
版权声明
本文由泰克赛思南京办公室负责编译。详细内容请以英文原版为准。如需转载，请于公众号后台留言咨询。
喜欢今天的内容？给我们点个【在看】吧！
