混合形态-卷积神经网络用于计算机辅助诊断
Martha Rebeca Canales-Fiscal1, José Gerardo Tamez-Peña2
1Tecnológico de Monterrey, Escuela de Ingeniería y Ciencias, Monterrey, NL, Mexico.
Frontiers in artificial intelligence
|October 5, 2023
概括
具有随机森林分类的新型形态和卷积神经网络 (MCNN) 能够有效处理有限的医学图像数据. 这种混合方法表明,在用少数样本的数据集中进行准确分类是有前途的.
科学领域:
- 计算机科学 计算机科学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 深度卷积神经网络 (CNN) 面临着需要大量数据的记忆和计算挑战.
- 医疗图像数据集由于采集和策划的复杂性,往往很少.
- 在有限的医疗数据上进行深度学习时,过度配置和不良概括是常见的问题.
研究的目的:
- 提出一个紧的,混合机器学习架构 (MCNN + 随机森林) 用于医疗图像分类有限的数据.
- 用完整的培训和转移学习来评估MCNN与受欢迎的深度CNN (ResNet-18,ShuffleNet-V2,MobileNet-V2) 的性能.
- 评估在浅层神经网络中的数学形态学的潜力,用于医学图像分析.
主要方法:
- 开发了一个形态和卷积神经网络 (MCNN),集成形态操作和独立的通道处理.
- 在MCNN的输出上使用随机森林分类器进行最终分类.
- 与ResNet-18,ShuffleNet-V2和MobileNet-V2在ISIC (黑色素瘤) 和ORIGA (大眼瘤) 数据集上的MCNN性能进行了比较.
主要成果:
- 在黑色素瘤分类中,MCNN获得了0.94的AUC,超过了深度CNN.
- 在青光眼分类 (AUC 0.65) 上,MCNN的表现与深度CNN相美.
- 在有限的医学图像样本中,MCNN表现出可靠的性能.
结论:
- 混合MCNN架构显示了从小型医疗图像数据集有效学习的潜力.
- 集成到浅层神经网络中的数学形态学可以增强医学图像分类.
- 拟议的MCNN为数据稀缺的医学成像应用提供了深度学习的可行替代方案.
