Ocena wydajności zoptymalizowanego modelu głębokiego uczenia się z Wielowarstwową Techniką Ograniczenia Normy Maksymalnej (MMNR) do klasyfikacji guza mózgu w obrazach wielomodalnych MRI

Guzy mózgu to agresywne choroby złośliwe, zarówno u dzieci, jak i u dorosłych, stanowiące 86–92% wszystkich pierwotnych i prawie połowę wtórnych guzów ośrodkowego układu nerwowego (OUN). U osób ze złośliwymi guzami mózgu lub ośrodkowego układu nerwowego (OUN) 5-letni wskaźnik przeżycia wynosi około 34% dla mężczyzn i 36% dla kobiet. Guzy mózgu można podzielić na kilka typów, w tym łagodne, złośliwe, przysadkowe itp. W niniejszym badaniu zaproponowano nową architekturę o nazwie Wielowarstwową Techniką Ograniczenia Normy Maksymalnej (Multilayered Max-Norm Regularization CNN – MMNR-CNN) i zbadano wydajność tego modelu w klasyfikacji guzów mózgu w wielomodalnych obrazach MRI. Model wykorzystuje losowe pole Markowa (MRF) do korekcji pola błędu oraz metodę Monte Carlo Dropout do ilościowego określania niepewności prognozy poprzez stochastyczne przejścia do przodu, zwiększając niezawodność modelu w podejmowaniu decyzji klinicznych. Ponadto integrujemy techniki XAI (Exploreable AI) wykorzystujące Gradient-weighted Class Activation Mapping (Grad-CAM), aby wizualnie zinterpretować obszary skanów MRI, które mają największy wpływ na decyzje klasyfikacyjne. Przedstawiamy pełną analizę modelu MMNR wytrenowanego na rozszerzonych danych obrazowych mózgu i porównujemy wydajność przy różnych wartościach parametrów regularyzacji, które prowadzą do automatycznego wyboru cech istotnych przestrzennie dla zadania klasyfikacji. Zwiększa to generalizację i odporność zbioru danych treningowych poprzez rozbudowę. Model jest trenowany z wykorzystaniem bazy danych Br35H i Figshare. Obie są wykorzystywane głównie w badaniach nad wykrywaniem i klasyfikacją guzów mózgu. Uzyskane wskaźniki wydajności są najlepsze w literaturze, z dokładnością testowania na poziomie 99,88% i 100% precyzją.