Transfer Learning-Driven MRI-Based Classification Pipelines for Brain Tumor Diagnosis: Glioma, Meningioma, and Pituitary Tumor Discrimination
Notice bibliographique
Résumé
MRI-based classification of brain tumors is an important step in delivering timely and effective treatment. In this study, we tested a method that uses CNNs trained via transfer learning to classify the three main types of brain tumors (gliomas, meningiomas, and pituitary tumors). Mendeley dataset is taken into consideration, containing 6,056 MRI images (2004 brain glioma, 2004 brain meningioma, 2048 brain pituitary). Two types of CNN architectures were tested, AlexNet (trained from scratch) and InceptionV3 (using the weights from ImageNet). All of the images were preprocessed before being fed to the models using image resizing, normalization, and extensive augmentation to ensure accuracy and minimize class imbalance between the tumor categories. Effectively stratified train-test splits of the data allowed for fair performance evaluation of both models. The AlexNet model consistently achieved 94% accuracy, with a precision, recall, and F1-score of 94%, indicating that it could provide reliable performance when classifying brain tumors based on MRI. In contrast, the InceptionV3 model using transfer learning and fine-tuning performed even better than AlexNet, achieving 98% accuracy with a precision, recall, and F1- score of 98%. These results indicate that pre-trained convolutional neural network architectures provide increased classification reliability, significantly reduce training time, and are applicable to medical datasets that contain limited numbers of instances. The findings of this research study illustrate the potential for developing highly accurate and efficient automated deep learning technology to accurately diagnose neuro-oncology diseases using transfer learning. This type of technology will provide a strong basis for Clinical Decision Support Systems (CDSS) that aid radiologists with the interpretation of diagnostic medical images.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».