脑瘤是最致命和具有破坏性的疾病之一，常常导致患者的预期寿命大大缩短。因此，准确诊断脑瘤至关重要，这将有助于制定可以延长患者生命的治疗方案。然而，手动识别和分析大量的MRI数据既具有挑战性又耗时。因此，迫切需要一个可靠的深度学习（DL）模型来准确诊断脑瘤。


研究人员提出了一种基于迁移学习的新型DL方法，有效地分类脑瘤。这种新方法包括广泛的预处理、迁移学习架构重构和微调。研究人员使用了几种迁移学习算法，包括Xception、ResNet50V2、InceptionResNetV2和DenseNet201。他们的实验使用了Figshare MRI脑瘤数据集，包含3064张图片，并分别达到了99.40%、99.68%、99.36%和98.72%的准确率。

研究发现，ResNet50V2在Figshare MRI脑瘤数据集上达到了最高的准确率，为99.68%，超过了现有的模型。因此，这个新提出的模型能够在短时间内准确地分类脑瘤，可以帮助神经学家和临床医生做出快速和精确的诊断决策。