02 / Computer vision · Deep learning
Brain Tumor Detection
Interpreteerbare classificatie van MRI-scans
Een experimentele pipeline die met een autoencoder compacte anatomische kenmerken leert, MRI-scans classificeert vanuit de latente representatie en Grad-CAM gebruikt om te inspecteren welke regio's elke voorspelling beïnvloeden.
- TensorFlow / Keras
- Autoencoder
- Grad-CAM
- OpenCV
- scikit-learn
- Type
- Persoonlijk computer-visionproject
- Dataset
- Br35H — 450 MRI-scans, 70/15/15-split
- Resultaat
- 96% testnauwkeurigheid · 450 afbeeldingen
Resultaten van een echte run
4 visuals
Hoe het werkt
Aanpak
De anatomie leren
Een convolutionele autoencoder comprimeert elke 128x128-scan naar een compacte latente representatie en dwingt hem de patronen te behouden die ertoe doen.
Classificeren vanuit de latente ruimte
De encoder-helft voedt een binaire classifier met dropout en batch normalization, geëvalueerd met precision, recall en F1 op een apartgehouden testset.
Elke beslissing verklaren
Grad-CAM-heatmaps over de laatste convolutionele laag van de encoder tonen welke regio's elke beslissing stuurden — zowel bij tumor- als bij niet-tumorcases.
Het bewijs
achter de case.