使用CNN和ResNet架构的MRI图像脑肿瘤自动检测

arXiv cs.AI 论文
medical-imaging deep-learning cnn resnet brain-tumor-detection transfer-learning mri

摘要

本文提出了一种使用CNN和ResNet架构并结合迁移学习的自动化深度学习方法，用于MRI图像中的脑肿瘤检测，准确率高达97%。

arXiv:2606.27405v1 公告类型：交叉 摘要：深度学习在医学图像分析中展现出巨大潜力，尤其是在使用MRI扫描进行疾病检测方面。由于脑结构的复杂性和对人工判读的依赖，准确且早期的脑肿瘤诊断仍然具有挑战性。本文提出了一种基于深度学习的自动化方法，利用卷积神经网络和残差网络从MRI图像中检测脑肿瘤。应用迁移学习，采用两种预训练架构ResNet18和ResNet50，将MRI扫描分类为肿瘤和非肿瘤类别。实验在包含3,929张脑部MRI图像的数据集上进行，评估了模型深度和微调策略的影响。结果表明，ResNet18相比ResNet50实现了更高的准确率（97%对96%），在有限的医学数据上表现出更好的泛化能力。所提出的框架能够实现快速、准确且成本效益高的脑肿瘤检测，支持早期诊断和临床决策。
查看原文
查看缓存全文

缓存时间: 2026/06/29 05:28 

# 基于CNN和ResNet架构的MRI图像脑肿瘤自动检测
来源：https://arxiv.org/abs/2606.27405
查看 PDF（https://arxiv.org/pdf/2606.27405）

> 摘要：深度学习在医学图像分析中展现出巨大潜力，尤其是在通过MRI扫描进行疾病检测方面。由于大脑结构的复杂性以及人工解读的依赖性，脑肿瘤的准确早期诊断仍面临挑战。本文提出了一种基于深度学习的自动化方法，利用卷积神经网络和残差网络从MRI图像中检测脑肿瘤。采用迁移学习技术，使用两种预训练架构ResNet18和ResNet50对MRI扫描进行分类，区分肿瘤和非肿瘤类别。实验在包含3,929张脑部MRI图像的数据集上进行，评估了模型深度和微调策略的影响。结果表明，ResNet18的准确率达到97%，高于ResNet50的96%，表明其在有限医疗数据上具有更好的泛化能力。该框架实现了快速、准确且低成本的脑肿瘤检测，有助于早期诊断和临床决策。

## 提交历史

来自：K Paramesha 博士 [查看电子邮件（https://arxiv.org/show-email/576b2c99/2606.27405）]  
**[v1]** 2026年6月25日星期四 04:41:19 UTC（938 KB）

相似文章