数据增强和超参数优化的定量和视觉分析,以深度学习为基础,使用Grad-CAM对低级结质瘤瘤进行细分
Fereshteh Khodadadi Shoushtari1, Azimeh N V Dehkordi2,3, Sedigheh Sina1,4
1Nuclear Engineering Department, Shiraz University, Shiraz, Iran.
Annals of biomedical engineering
|February 27, 2024
概括
数据增强和超参数优化显著增强大脑低级质瘤 (LGG) 瘤分割的深度学习模型. 这些技术提高了高达10%的精度,从而产生了更优质的DLG-Net模型.
科学领域:
- 医学图像分析 医学图像分析
- 在瘤学中使用人工智能
- 对于医学成像的深度学习
背景情况:
- 精确细分低级质瘤 (LGG) 瘤对于有效的治疗规划和监测至关重要.
- 深度学习模型对自动瘤细分有希望,但需要仔细优化.
研究的目的:
- 量化和视觉研究数据增强和超参数优化对基于深度学习的LGG瘤细分精度的影响.
- 确定最佳的数据增强策略和网络配置,以提高细分性能.
主要方法:
- 使用了DeepLabV3+架构与MobileNetV2和ResNet背骨. 使用了DeepLabV3+架构和ResNet背骨.
- 评估了35种不同的数据增强技术,并进行了广泛的超参数优化.
- 采用Grad-CAM用于对模型行为和细分性能进行视觉解释.
主要成果:
- 数据增强和优化提高了高达10%的LGG瘤细分性能.
- 最有效的数据增强技术包括旋转 (90°,225°) 和翻转 (上下,左右).
- 最佳模型 (DLG-Net) 实现了96.1%的整体准确度,具体的子相似系数 (DSC) 为89.4% (WT),70.1% (TC) 和49.9% (ET).
结论:
- 综合数据增强和超参数优化对于增强LGG瘤的深度学习细分至关重要.
- 使用MobileNetV2,焦点损失和Adam优化器的DLG-Net模型表现出卓越的性能.
- 同时进行视觉和定量评估有助于开发有效的瘤细分模型.
