💻 computer science

A Deep Learning-Based Brain Tumor Classification System Using MRI Images from Bangladesh

本文提出了一种基于 DenseNet-121 的深度学习系统，该系统在对孟加拉国 MRI 数据集中的四种脑肿瘤进行分类时实现了 96.52% 的准确率，同时利用 Grad-CAM 及相关技术来确保模型的透明度与可信度。

原作者： Ajaj Anwar Anik, Durjoy Kumer Ghosh, Mahfuzur Rahman, Mossa. Samsur Nahar Setu

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Ajaj Anwar Anik, Durjoy Kumer Ghosh, Mahfuzur Rahman, Mossa. Samsur Nahar Setu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一位医生正试图在一座非常复杂、充满迷雾的迷宫（MRI 脑部扫描图）中寻找隐藏的宝藏（脑肿瘤）。通常，人类专家必须盯着这张模糊的地图观察数小时，试图发现宝藏。有时他们会感到疲劳，有时会漏掉，有时两位专家对所见之物也会产生分歧。

这篇论文介绍了一位由孟加拉国城市大学学生打造的超级智能数字侦探。这位侦探是一个人工智能（AI）系统，旨在观察 MRI 脑部扫描图并立即判断：“这是胶质瘤（Glioma）？脑膜瘤（Meningioma）？垂体瘤（Pituitary tumor）？还是大脑完全健康？”

大多数 AI 侦探都是使用其他国家（如美国或欧洲）的地图进行训练的。但就像纽约的地图并不能完美地帮助你在达卡穿行街道一样，基于外国数据训练的模型可能会被孟加拉国医院拍摄图像的本地差异所困扰。

为了解决这个问题，团队使用了一个专门的孟加拉国数据集构建了他们的侦探。他们从当地医院收集了 1,600 张原始 MRI 图像。为了确保侦探有足够的练习机会，他们使用了一个数字“复印机”（数据增强）创建了 6,000 张练习图像，确保 AI 能够看到这四种肿瘤类型的每一种角度和变化。

该系统的核心是一个名为 DenseNet-121 的 AI 架构。不要把它看作一块白板，而要把它看作一位名厨，这位厨师已经在著名的厨房里学习了多年烹饪（在数百万张通用图像上进行了训练）。

研究人员并没有从头开始教这位厨师如何握刀，而是给了他们一个特定的新食谱：“脑肿瘤”。他们利用了这位厨师现有的技能（迁移学习），并对其进行了微调，使其能够识别胶质瘤、脑膜瘤、垂体瘤和正常组织的特定“风味”。

团队向 AI 输入了数千张此类脑部扫描图。

测试： 他们将数据进行了拆分，让 AI 在 80% 的图像上进行学习，并在剩下的 20% 它从未见过的图像上进行测试。
结果： AI 的正确率达到了 96.52%。
类比： 想象一名学生正在参加一场有 604 道题的期末考试。这个 AI 答对了大约 583 道题。它不仅仅是在瞎猜；它学会了不同肿瘤类型之间的微妙差异，极少会将“垂体瘤”与“胶质瘤”混淆。

通常，AI 就像一个黑箱：你输入一张图像，结果就会跳出来，但你完全不知道 AI 为什么做出那个选择。医生不敢将病人的生命托付给一个黑箱。

为了解决这个问题，研究人员添加了四种不同的“手电筒”（可解释 AI 技术：Grad-CAM、Grad-CAM++、LayerCAM 和 ScoreCAM）。

工作原理： 当 AI 说“这是一个肿瘤”时，这些手电筒会立即高亮显示 MRI 扫描图中 AI 正在观察的确切位置。
结果： 热力图显示，AI 并不是根据随机噪声或图像边缘进行猜测。它实际上聚焦在脑部具有医学相关性的特定部位，即肿瘤隐藏的地方。这证明了 AI 观察的对象是正确的，从而建立了医生的信任。

研究人员并没有仅仅将此作为电脑上的代码。他们构建了一个用户界面（网站/应用程序）。

他们构建了什么： 一个使用 DenseNet-121 进行脑肿瘤四类分类的深度学习系统。
他们使用了什么： 一个专门来自孟加拉国的 MRI 图像数据集。
效果如何： 在测试集上实现了 96.52% 的准确率。
为什么重要： 它解决了两个问题：
1. 它比外国模型在处理孟加拉国本地数据时表现更好。
2. 它使用“手电筒”（XAI）向医生展示其做出决策的原因，使 AI 透明且值得信赖。

论文得出结论，该系统是一个高度准确、透明的工具，可以作为孟加拉国医生的可靠助手，帮助他们更快、更有信心地诊断脑肿瘤。

类似论文