Enhancing Brain Anomaly Pre-Diagnosis with Traditional Artificial Intelligence and Popular Deep Learning Models: A Comparative Analysis
Notice bibliographique
Résumé
This study primarily aims at the pre-diagnosis and prediction of specific brain tumors by applying traditional and popular segmentation methods with deep learning models and also investigates the comparative performance between Artificial Intelligence (AI) and Deep Learning (DL) methods and models.The diagnostic methods currently used are generally subjective, time-consuming, and require highly specialized knowledge in detail.To determine and overcome these limitations, we propose the well-developed implementation of two deep learning segmentation methods capable of accurately and efficiently analyzing brain tumor based Magnetic Resonance Imaging (MRI) and Computerized Tomography (CT) radiological imaging data.These models were the Support Vector Machine (SVM) for the traditional AI model and ResNet50 and InceptionV3 for the popular DL model architectures, and these were used for diagnosing specific important brain conditions, including ischemic stroke, low-grade glioma (LGG), and normal (tumor-free) cases.In addition, in the medical field, ischemic stroke and LGG images could not be well determined, and misdiagnosing could occur.Because of these reasons, by using these deep learning models, the problems and limitations were overcome.The initial phase involved the meticulous collection and pre-processing of a large open-source/public dataset of MRI and CT images, carefully distinguishing those from ischemic stroke and LGG patients and healthy individuals.The models underwent rigorous training using the pre-processed image dataset and were assessed using various accuracy metrics.While traditional methods utilizing Support Vector Machines (SVM) achieved an accuracy of 77%, deep learning architectures exhibited significant advancements, with ResNet50 and InceptionV3 achieving accuracies of approximately 97%.The InceptionV3 model's lightweight architecture, integrated with effective data augmentation and transfer learning strategies, demonstrated exceptional diagnostic efficiency and accuracy.These results underscore the immense potential of deep learning in revolutionizing brain tumor/lesion diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».