一种基于深度CNN模型进行脑瘤分类的新型参数平面p混合激活函数
Ayan Mondal1, Vimal K Shrivastava1
1School of Electronics Engineering, Kalinga Institute of Industrial Technology (KIIT), Bhubaneswar, India.
Computers in biology and medicine
|October 20, 2023
概括
一个新的参数平面p混合 (PFpM) 激活功能提高了深度学习模型中脑瘤分类的准确性. 这项新功能改进了现有方法,在医疗图像中识别脑瘤方面提供了更好的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 大脑瘤是一个重大的全球健康挑战,是最致命的癌症之一.
- 卷积神经网络 (CNN) 在医学图像分析方面显示出很大的前景.
- 激活函数是CNN的关键组件,影响模型性能和学习能力.
研究的目的:
- 引入一种新的参数激活函数,参数平面-p Mish (PFpM),用于使用CNN进行改进的大脑瘤分类.
- 解决现有的激活功能的局限性,如神经元死亡和偏差转移.
- 提高深度学习模型在分析复杂的医学成像数据中的准确性和灵活性.
主要方法:
- 开发了一个基于CNN的模型,BMRI-Net,结合了拟议的PFpM激活功能.
- 在两个不同的脑瘤数据集上验证了模型:Figshare和Br35H.
- 将BMRI-Net的性能与最先进的CNN模型 (DenseNet201,InceptionV3,MobileNetV2,ResNet50,VGG19) 以及各种激活功能 (ReLU,泄漏ReLU,GELU,Swish,Mish) 的性能进行了比较.
- 进行了实验,使用记录智能和主体智能数据分割,采用持久和5倍交叉验证技术.
主要成果:
- 使用PFpM的BMRI-Net实现了高整体准确性,在Figshare数据集上达到99.57% (记录智能,保留验证).
- 在Figshare数据集上的智能对象验证的准确率为97.91% (保留验证).
- 在Br35H数据集上,该模型获得了99%的整体准确性 (记录智能,保留验证).
- 与传统的激活功能相比,PFpM在各种实验设置中表现出更高的性能.
结论:
- 拟议的PFpM激活功能显著提高了CNN用于脑瘤分类的性能.
- 由PFpM支持的BMRI-Net提供了一种强大而准确的方法来分析脑瘤图像.
- 这些发现表明PFpM的潜力作为一种有价值的工具,可以增强大脑瘤的临床诊断.
