卷积神经网络和视觉转换器在识别良性和恶性乳腺病变方面的比较分析
Long Wang1, Shu Fang2, Xiaoxia Chen1
1Department of Radiology, The Second People's Hospital of Changzhou, The Third Affiliated Hospital of Nanjing Medical University, Changzhou Medical Center, Nanjing Medical University, Nanjing, Jiangsu, China.
Medicine
|June 9, 2025
概括
这项研究对乳腺MRI分类的12种深度学习模型进行了比较. 超参数调整显示,优化器和学习率显著影响准确性,而数据增强可以在某些模型中意外降低性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度学习模型越来越多地用于医学图像分类.
- 建立可靠的基准对于推进乳房动态对比增强磁共振成像 (DCE-MRI) 研究至关重要.
研究的目的:
- 对乳腺DCE-MRI图像分类的12个深度学习模型进行全面的实验.
- 通过系统地根据关键超参数和评估指标对模型性能进行比较,建立可靠的基准.
主要方法:
- 12个深度学习模型的系统比较.
- 分析了4个关键超参数的变化:优化器 (Op),学习率,批量大小 (BS) 和数据增强.
- 使用指标进行评估:准确性 (Ac),损失值,精度,回忆率,F1得分和接收器操作特征曲线 (AUC) 下的面积.
- 评估培训时间和模型参数数量.
主要成果:
- 优化器和学习速度显著影响了准确性,而批量大小对卷积神经网络模型的影响最小.
- 在ResNet152和Vision变压器基 (ViT) 模型中,性能较差 (精度,回忆和AUC较低).
- 数据增强出乎意料地降低了几个模型 (ResNet50,ResNet152,VGG16,VGG19,ViT) 的准确性.
- VGG16的训练时间最短;ViT的训练时间最长 (增强前) 和参数数量最小.
结论:
- ResNet152和ViT模型不适合用于小乳腺DCE-MRI数据集.
- 数据增强虽然通常是有益的,但在这种情况下需要谨慎的应用.
- 这些发现为改进乳腺DCE-MRI图像分类的未来研究提供了关键的见解.
