Data Augmentation for MRI Brain Tumor Classification Using Fine-Tuned Stable Diffusion and a Discriminator

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

Artificial intelligence significantly enhances the analysis of complex medical images particularly MRI scans by enabling accurate classification and early diagnosis However the scarcity and imbalance of medical imaging datasets often due to rare diseases or limited access to high quality equipment lead to biased models and reduced classification accuracy This study introduces DreamDiffGAN a hybrid framework that integrates a fine tuned Stable Diffusion model with DreamBooth and a GAN inspired discriminator to generate anatomically realistic synthetic MRI images By combining the generative capabilities of Stable Diffusion with a discriminator to ensure image fidelity the model produces high quality images that closely mimic real MRI scans even with limited training data The proposed approach enhances dataset diversity mitigates overfitting and improves classification performance for brain tumor detection Experimental results demonstrate that DreamDiffGAN outperforms traditional augmentation and standalone DreamBooth methods achieving a classification accuracy of 96.67% and a recall of 93.33% on a ResNet 18 classifier significantly reducing false negatives critical for clinical applications This framework offers a scalable solution for data scarce medical imaging contexts with potential applications beyond MRI to other modalities

روابط وملفات

التعريف والنوع

رقم الوثيقة

0fd8446a-22a5-4fe1-9e46-e40e6bb9f4ad

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

ماستر (LMD)

نوع الملف

pdf text

أسماء الملفات

1094850_1.pdf

بيانات النشر

ألقاب المؤلفين

[{"name_ar":"Abdeldjalil Goubi","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"Khaldi Bela","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Mohammed Elmahdi Khennour ","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

English

المصدر والدورية

اسم المصدر

Data Augmentation for MRI Brain Tumor Classification Using Fine-Tuned Stable Diffusion and a Discriminator

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

L'intelligence artificielle améliore considérablement l'analyse des images médicales complexes en particulier les IRM en permettant une classification précise et un diagnostic précoce Toutefois la rareté et le déséquilibre des ensembles de données d'imagerie médicale souvent dus à la rareté de certaines maladies ou à un accès limité à des équipements de haute qualité entraînent des modèles biaisés et une diminution de la précision du classement Cette étude présente DreamDiffGAN un cadre hybride qui intègre un modèle Stable Diffusion finement ajusté avec DreamBooth et un discriminateur inspiré des GANs afin de générer des images IRM synthétiques réalistes sur le plan anatomique En combinant les capacités génératives de Stable Diffusion avec un discriminateur garantissant la fidélité des images le modèle produit des images de haute qualité qui imitent fidèlement les IRM réelles même avec des données d'entraînement limitées L'approche proposée permet d'améliorer la diversité des ensembles de données de réduire le surapprentissage overfitting et d'accroître la performance de classification pour la détection des tumeurs cérébrales Les résultats expérimentaux montrent que DreamDiffGAN surpasse les méthodes classiques d'augmentation ainsi que l'approche DreamBooth seule atteignant une précision de classification de 96.67% et un rappel de 93.33% avec un classificateur ResNet 18 réduisant significativement les faux négatifs un enjeu critique en contexte clinique Ce cadre constitue une solution évolutive adaptée aux contextes d'imagerie médicale avec peu de données avec des applications potentielles au-delà de l'IRM vers d'autres modalités d'imagerie

كلمات الباحثين

Artificial Intelligence, Stable Diffusion, DreamBooth, Discriminator, MRI,Image Generation, Classification.

إشراف وإعداد

الإشراف

Khaldi Bela, Mohammed Elmahdi Khennour

الإعداد

Abdeldjalil Goubi

الاقتباسات الببليوغرافية