使用结合深度学习模型和重量选择技术的增强脑瘤诊断
Karim Gasmi1, Najib Ben Aoun2,3, Khalaf Alsalem4
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakkaka, Saudi Arabia.
Frontiers in neuroinformatics
|December 11, 2024
概括
这项研究引入了用于脑瘤分类的先进集体学习方法,达到95%的准确性. 这种方法结合了视觉转换器和EfficientNet-V2与一个遗传算法,以实现最佳权重,提高医学成像诊断精度.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 计算病理学计算病理学
背景情况:
- 准确的脑瘤分类对于治疗计划和患者的治疗结果至关重要.
- 传统的方法与脑瘤的复杂性和异质性作斗争.
- 深度学习模型看起来很有前途,但需要对复杂任务进行优化集成.
研究的目的:
- 开发一种创新的集体学习方法,用于大脑瘤的多重分类.
- 通过结合视觉变压器 (ViT) 和EfficientNet-V2.2来增强功能提取.
- 使用遗传算法优化模型权重,以获得最大的分类准确性.
主要方法:
- 视觉变压器 (ViT) 和EfficientNet-V2的集成用于特征提取.
- 权重组合策略将来自单个深度学习模型的预测结合起来.
- 用于优化整体模型中的权重的遗传算法.
- 在标记的大脑MRI图像的精选数据集上进行培训和验证.
主要成果:
- 整体模型在脑瘤分类中实现了95%的准确率.
- 与独立模型相比,在精度,回忆和F1得分方面取得了显著的改进.
- 在基准测试中表现优于传统分类器和个人深度学习模型.
结论:
- 提出的组合学习方法与基因算法优化的权重显著提高了脑瘤分类的准确性.
- 这种方法提供了更好的诊断精度,导致更好的临床决策和患者的结果.
- 该方法可用于其他医学成像分类任务,在医疗保健中推进AI.
