Smadzeņu audzēju atpazīšana, izmantojot reālus un sintētiskus attēlus

Abstract

Smadzeņu audzēju klasificēšana, izmantojot MRI attēlus, ir būtiska savlaicīgai diagnostikai un efektīvai ārstēšanai. Šajā bakalaura darbā tiek izmantoti reālas pasaules datu kopas, sintētiski attēli, kas ģenerēti ar optimizētiem Stable Diffusion modeļiem, un apvienota datu kopa no abiem avotiem, lai izvērtētu dziļās mašīnmācīšanās modeļu efektivitāti MRI attēlu klasificēšanā dažādās audzēju kategorijās. Tika izmantoti trīs klasifikācijas modeļi—ResNet-50, EfficientNet-B3 un Vision Transformer (ViT)—lai identificētu un klasificētu tādus smadzeņu audzējus kā gliomu, meningiomu, hipofīzes audzēju, kā arī normālu stāvokli (bez audzēja). Pētījums salīdzina modeļu precizitāti dažādos datu scenārijos, lai novērtētu kā, datu kopas papildināšana ar sintētiskiem attēliem ietekmē klasifikācijas precizitāti. Rezultāti liecina, ka sintētisko MRI attēlu pievienošana ievērojami uzlabo modeļu vispārināšanas spēju un stabilitāti. Pētījumā tiek piedāvāta noderīga pieeja datu trūkuma risināšanai medicīnisko attēlu un uzsvērts Stable Diffusion potenciāls kā uzticamas rīkas augstas kvalitātes sintētisko medicīnisko attēlu izveidei. Šie rezultāti norāda uz daudzsološām iespējām turpmākiem pētījumiem un praktiskam pielietojumam medicīniskajā diagnostikā.

Classifying brain tumors using MRI images is essential for prompt diagnosis and successful treatment. Using real-world datasets, synthetic images produced by optimized Stable Diffusion models, and a combined dataset of both, this study investigates how well deep learning models classify MRI scans into several tumor types. To detect and categorize brain malignancies as glioma, meningioma, pituitary, or normal tissue (no tumor), three classification models—ResNet-50, EfficientNet-B3, and Vision Transformer (ViT)—were used. Thesis compares model accuracy across different data scenarios to assess the impact of synthetic image augmentation on classification performance. The results show that adding synthetic MRI images greatly improves the generalizability and robustness of the model. The study suggests a useful approach for resolving data shortage in medical imaging and emphasizes the potential of Stable Diffusion as a dependable tool for producing high-quality synthetic medical images. These results point to exciting avenues for future study and real-world medical diagnostics applications.