提高脑瘤诊断:一个优化的CNN超参数模型,提高准确性和可靠性
Abdullah A Asiri1, Ahmad Shaf2, Tariq Ali2
1Radiological Sciences Department, College of Applied Medical Sciences, Najran University, Najran, Najran, Saudi Arabia.
PeerJ. Computer science
|April 25, 2024
概括
优化卷积神经网络 (CNN) 超参数显著提高了脑瘤诊断的准确性. 这种精致的CNN模型提高了对质瘤,脑膜瘤和垂体瘤检测的精度,回忆和F1分数.
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:
- 卷积神经网络 (CNN) 对于医学图像分析至关重要.
- 超参数调整对于优化诊断中的CNN性能至关重要.
- 脑瘤诊断的准确性在很大程度上依赖于有效的CNN模型配置.
研究的目的:
- 开发和验证一个精细的CNN超参数模型用于脑瘤诊断.
- 优化关键的CNN参数,包括过器,步骤,聚合,激活功能,学习速度,批量大小和层.
- 用MRI数据提高自动脑瘤检测的准确性和可靠性.
主要方法:
- 利用了两个公开的脑瘤MRI数据集 (7023和253张图像).
- 系统优化了CNN的超参数:过器数量/大小,步伐,填充,聚合,激活功能,学习率,批量大小和层数量.
- 使用精度,回忆,F1得分和准确度指标评估模型性能.
主要成果:
- 在数据集1 (4类) 上实现了96%的准确性和平均94.25%的精度,回忆和F1得分.
- 在数据集2 (2类) 上获得了88%的准确性和平均87.5%的精度,回忆和F1分数.
- 通过全面的比较,与现有技术相比,表现出优越的性能.
结论:
- 优化的CNN超参数模型显著提高了脑瘤诊断性能.
- 系统的超参数微调可以提高模型的准确性和概括能力.
- 这种工具为医疗专家提供了更精确,更有效的脑瘤诊断工具.
