通过转移学习和CLAHE优化增强医疗图像分类

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医学图像分类对于诊断至关重要.
• 转移学习为医学图像分析提供了一个有前途的方法.
• 图像预处理技术可以提高模型性能.

研究的目的:

• 评估对比限度自适应基因图平衡 (CLAHE) 对大脑图像分类的影响.
• 评估CLAHE和数据增强在转移学习模型中的联合效果.
• 提高自动化脑图像分析的准确性和可靠性.

主要方法:

• 设计了四种实验设置:正常图像 (有/没有数据增强) 和CLAHE处理的图像 (有/没有数据增强).
• 转移学习模型用于分类任务.
• 分析了包括精度,回忆,F1得分和准确性在内的性能指标.

主要成果:

• 与数据增强相结合的CLAHE产生了优异的分类结果.
• 这种最佳设置实现了0.90的精度,0.87的回忆,0.89的F1得分和0.86.89的准确性.
• 拟议的方法显著优于其他测试的配置.

结论:

• 在医学图像分类中,CLAHE优化对增强转移学习非常有效.
• CLAHE和数据增强的协同效应导致模型性能得到了大幅改善.
• 这项研究强调了先进的图像处理技术对于强大的脑图像分类的价值.