02 / Computer Vision · Deep Learning
Brain Tumor Detection
Interpretierbare Klassifikation von MRT-Aufnahmen
Eine experimentelle Pipeline, die mit einem Autoencoder kompakte anatomische Merkmale lernt, MRT-Aufnahmen aus der latenten Repräsentation klassifiziert und mit Grad-CAM sichtbar macht, welche Regionen jede Vorhersage beeinflussen.
- TensorFlow / Keras
- Autoencoder
- Grad-CAM
- OpenCV
- scikit-learn
- Typ
- Persönliches Computer-Vision-Projekt
- Datensatz
- Br35H — 450 MRT-Aufnahmen, 70/15/15-Split
- Ergebnis
- 96 % Testgenauigkeit · 450 Bilder
Ergebnisse eines echten Laufs
4 Visualisierungen
So funktioniert es
Vorgehen
Die Anatomie lernen
Ein Convolutional Autoencoder komprimiert jede 128x128-Aufnahme in eine kompakte latente Repräsentation und zwingt sie dazu, die Muster zu behalten, auf die es ankommt.
Aus dem latenten Raum klassifizieren
Die Encoder-Hälfte speist einen binären Klassifikator mit Dropout und Batch Normalization, evaluiert mit Precision, Recall und F1 auf einem zurückbehaltenen Testdatensatz.
Jede Entscheidung erklären
Grad-CAM-Heatmaps über der letzten Convolutional Layer des Encoders zeigen, welche Regionen jede Entscheidung geprägt haben — bei Tumor- wie bei Nicht-Tumor-Fällen.
Die Belege
hinter dem Case.