Zusammenfassung - Deep Brain Net: Ein optimiertes tiefes Lernmodell zur Erkennung von Gehirntumoren in MRT-Bildern mit EfficientNetB0 und ResNet50 unter Verwendung von Transfer Learning

Deep Brain Net: Ein optimiertes tiefes Lernmodell zur Erkennung von Gehirntumoren in MRT-Bildern mit EfficientNetB0 und ResNet50 unter Verwendung von Transfer Learning

2025-07-09 16:42:26

{"Daniel Onah","Ravish Desai"}

{eess.IV,cs.CV}

DeepBrainNet ist ein neues tiefes Lernsystem, das zur Optimierung der Detektion von Gehirntumoren in MRT-Bildern konzipiert wurde und die Architekturen EfficientNetB0 und ResNet50 kombiniert mit Transfer-Learning nutzt. Diese Forschung zielt darauf ab, die Herausforderungen bei der Erreichung hoher Genauigkeit und rechenintensiver Effizienz in der Gehirntumordetektion zu bewältigen. DeepBrainNet nutzt die Stärken der Architekturen EfficientNetB0 und ResNet50, wobei EfficientNetB0 die Modell Effizienz durch die Nutzung von Tiefbreiten separablen Konvolutionen erhöht und ResNet50 durch Residual-Verbindungen Tiefe und Stabilität bietet. Durch die Integration dieser Komponenten stellt DeepBrainNet sowohl rechenintensive Effizienz als auch hohe Genauigkeit sicher. Das System erreicht eine hohe Genauigkeit von 88%, einen gewichteten F1-Score von 88,75% und einen makro AUC-ROC-Score von 98,17%, übertrifft damit bestehende Methoden auf dem neuesten Stand. Das vorgeschlagene Modell bietet großes Potenzial als wertvolles Werkzeug für klinische Entscheidungsunterstützungssysteme und verbessert den Stand der medizinischen KI. DeepBrainNet nutzt Transfer-Learning, um vortrainierte ResNet50-Funktionen auf großflächigen Datensätzen wie ImageNet zu verwenden und diese für die Gehirntumorklassifizierung in MRT-Scans feinzuzustellen. Dieser Ansatz ermöglicht es dem System, schnell auf die spezifische Aufgabe der Gehirntumorklassifizierung anzupassen, was zu hoher Genauigkeit und Generalisierung führt. EfficientNetB0 reduziert weiterhin die Anzahl der Parameter und den berechnungstechnischen Aufwand, behält aber die Fähigkeit des Modells bei, komplexe Feature-Representations zu lernen, was zu einem leichten und effizienten System führt. Die Studie vergleicht die Leistung von DeepBrainNet mit bestehenden Methoden auf dem neuesten Stand, die auf öffentlich verfügbaren MRT-Datensätzen basieren, und zeigt, dass es bei der Klassifizierungsgenauigkeit, Präzision, Sensitivität und rechenintensiver Effizienz regelmäßig bestehende Modelle übertrifft. Dies unterstreicht das Potenzial von DeepBrainNet als zuverlässiges und effizientes Werkzeug für die Gehirntumordetektion, das letztlich zu verbesserten Patientenergebnissen und Behandlungsstrategien beiträgt. Die Integration von Transfer-Learning, EfficientNetB0 und den ResNet50-Architekturen macht DeepBrainNet zu einem leistungsfähigen und vielseitigen Werkzeug für medizinische Bildanalyse- und Klassifizierungsaufgaben.