使用优化卷积神经网络进行脑瘤检测和分类
Muhammad Aamir1,2, Abdallah Namoun3, Sehrish Munir1
1Department of Computer Science, Sahiwal Campus, COMSATS University Islamabad, Sahiwal 57000, Pakistan.
Diagnostics (Basel, Switzerland)
|August 29, 2024
概括
这项研究开发了一种超参数调节的卷积神经网络 (CNN),以改善脑瘤识别. 优化的CNN模型实现了97%的准确性,为医学诊断和患者结果提供了更有效的工具.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 计算神经科学是一种神经科学.
- 在瘤学瘤学.
背景情况:
- 大脑瘤是一个重大的全球健康挑战,导致高死亡率.
- 准确和及时的诊断对于有效的脑瘤治疗和患者的生存至关重要.
- 现有的诊断方法可以通过先进的计算方法来改进.
研究的目的:
- 开发和优化超参数卷积神经网络 (CNN) 模型,用于增强脑瘤识别.
- 系统地微调CNN的超参数,以改善特征提取和减少模型复杂性.
- 为医疗从业者提供一个更准确,更有效的工具来诊断脑瘤.
主要方法:
- 使用了一个超参数卷积神经网络 (CNN) 架构.
- 精心调整的关键超参数,包括批量大小,层数,学习率,激活功能,聚合,填充和过器大小.
- 在 Kaggle 的三个不同的脑磁共振成像数据集上训练并验证了模型.
主要成果:
- 在数据集的准确性,精确性,回忆和F1得分方面获得了优异的表现,平均得分为97%.
- 通过方法性比较,与最先进的方法相比,表现出优异的性能.
- 通过超参数优化增强模型概括能力.
结论:
- 超参数调整的CNN模型在准确和可靠的脑瘤诊断方面取得了重大进展.
- 优化的模型为医疗从业者提供了一个更有效的工具,用于批判性诊断判断.
- 这项研究对改善脑癌病例患者的治疗结果具有实际意义.
