使用修改后的深度神经网络优化器提高结直肠癌组织学诊断
Reham Elshamy1, Osama Abu-Elnasr2, Mohamed Elhoseny3
1Department of Computer Science, Faculty of Computers and Information, Mansoura University, Mansoura, 35516, Egypt. reham_elshamy@oi.edu.eg.
Scientific reports
|August 22, 2024
概括
一个新的优化器,SAdagrad,改善了对结直肠癌诊断的卷积神经网络 (CNN) 训练. 这种增强的优化器在卡瑟数据集上实现了98%的准确性,超过了Adam和Adagrad.
科学领域:
- 计算机科学 计算机科学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 优化器对于训练卷积神经网络 (CNN) 至关重要,但传统方法面临挑战.
- 提高CNN优化器效率是一个活跃的研究领域,特别是在医疗图像分析等复杂任务中.
研究的目的:
- 介绍SAdagrad,一个新的增强的Adagrad优化器,旨在克服Adagrad在学习速度调整方面的局限性.
- 在CNN模型中评估SAdagrad在结直肠癌 (CRC) 诊断中的表现.
主要方法:
- 开发了一个CNN模型,集成了微调和重量衰减技术.
- 在Kather结直肠癌组织学数据集上训练模型.
- 员工将学习从预先训练的模型和规范化转移,以防止过度装配.
主要成果:
- SAdagrad取得了惊人的98%的准确性,超过了Adam和Adagrad优化器.
- 拟议的模型显示了更稳定的培训和测试过程.
- 该模型有效地减少了跨多个时代的过.
结论:
- 在医学图像分析中,SAdagrad为CNN提供了与传统优化器相比的显著改进.
- 增强的CNN模型在CRC诊断方面表现优越,与之前对Kather数据集的研究相比.


