使用深度特征融合来对脑瘤进行多种类型分类的强大方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 准确的脑瘤分类对于有效的患者治疗计划至关重要.
• 现有的分类方法需要提高准确性和稳定性.

研究的目的:

• 开发使用卷积神经网络 (CNN) 的深度特征融合方法,以改进脑瘤分类.
• 为了提高分类的准确性和稳定性,同时减轻过度装配的风险.

主要方法:

• 使用三个预训练CNN模型进行特征提取:ResNet101,DenseNet121和EfficientNetB0.0.
• 微调模型并调整提取的特征以获得一致的形状.
• 对特征融合进行双对总和,然后进行分类.

主要成果:

• 拟议的深度特征融合方法在公共数据集 (Figshare和Kaggle) 上表现出卓越的性能.
• 结合ResNet101和DenseNet121的功能,获得了最高的准确率: 99.18% (Figshare) 和97.24% (Kaggle).

结论:

• 深度特征融合是提高脑瘤分类准确性的有效策略.
• 拟议的方法提供了一个强大的方法来帮助临床医生诊断脑瘤.
• ResNet101和DenseNet121的功能融合组合显示出临床应用的特殊前景.