基于CART-ANOVA的转移学习方法,用于七种不同的瘤分类方案,具有概括能力.
Shiraz Afzal1, Muhammad Rauf1, Shahzad Ashraf2
1Department of Electronic Engineering, Dawood University of Engineering and Technology, Karachi 74800, Pakistan.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
这项研究引入了一种新的CART-ANOVA框架,用于优化大脑瘤检测中的深度学习模型,显著提高准确性和概括性. 该方法提高了人工智能驱动的医疗保健解决方案的诊断精度.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 卷积神经网络 (CNN) 对于通过深度转移学习来检测脑瘤至关重要.
- 关键的挑战包括超参数优化和模型概括.
- 现有的方法,如网格或随机搜索,可能无法完全捕获超参数相互作用.
研究的目的:
- 为了引入一个新的CART-ANOVA超参数调框架用于脑瘤分类.
- 提高深度学习模型的准确性,稳定性和概括性.
- 将统计显著性测试与超参数优化集成在一起.
主要方法:
- 使用了基于ResNet18的知识转移学习 (KTL) 模型.
- 使用拟议的CART-ANOVA框架优化了超参数.
- 模型性能在独立数据集上得到验证,并与其他CNN模型进行比较.
主要成果:
- 实现了特殊的测试准确性:99.65% (4级) 和98.05% (7级) 在数据集1.上.
- 保持高概括性:98.77% (4类) 和96.77% (7类) 在数据集2.
- 该框架在性能上超越了其他预训练的CNN模型.
结论:
- 卡特-阿诺瓦框架显著提高了脑瘤分类的准确性,稳定性和概括性.
- 这种方法为人工智能驱动的医疗保健提供了更高的诊断精度.
- 这些发现支持医学成像和治疗策略的进步.
关键词:
卡特-阿诺瓦 (CART-ANOVA) 是一个图像MRI 图像MRI 图像 图像 图像在ResNet18中使用ResNet18大脑瘤是个大脑瘤脑瘤分类大脑瘤的分类超参数优化超参数优化知识转移学习学习知识转移学习更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.7K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.0K
