增强多式融合用于优化脑瘤检测:评估和比较分析.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 大脑瘤是一个重大的医疗挑战,需要精确的检测.
• 现有的诊断方法可能缺乏效率和及时性.
• 需要先进的计算方法来改善脑瘤诊断.

研究的目的:

• 提出和评估一种新的脑瘤诊断方法.
• 整合和比较多个预训练基础模型的性能.
• 建立一个标准化技术用于大脑瘤检测模型开发.

主要方法:

• 预训练模型的集成:VGG16,MobileNetV2,DenseNet121,InceptionV3和ResNet50. 这三种模式的集成.
• 图像增强技术 (亮度,对比度调整) 的应用,以提高概括性.
• 使用数据生成器来有效处理大型数据集.
• 使用三个优化器 (Adam,SGD,Adamax) 进行系统的超参数调整和分析.
• 使用指标进行性能评估:准确性,精度,回忆,F1分数和混矩阵.

主要成果:

• 使用Adam优化器,MobileNetV2以96%的准确性,96%的精度,94%的回忆率和95%的F1分数展示了最高的性能.
• 丹斯网121和VGG16实现了高准确度,分别为95%和94%.
• InceptionV3和ResNet50显示出具有竞争力的但相对较低的性能指标.
• 拟议的方法在评估的模型中被证明是稳健和有效的.

结论:

• 使用预训练模型的综合方法为大脑瘤检测提供了可行和有效的解决方案.
• 移动NetV2被确定为这个特定的诊断任务的高性能模型.
• 标准化的方法方便模型比较和选择临床应用.