轻量级卷积神经网络使用非线性莱维混沌虫火焰优化,通过高效的超参数调来对脑瘤进行分类
Amin Abdollahi Dehkordi1, Mehdi Neshat2,3, Alireza Khosravian4
1Department of Computer Engineering, Najafabad Branch, Islamic Azad University, Najafabad, Iran. amin.abdollahi.dehkordi@gmail.com.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种快速,高效的深度学习模型,用于医学图像分类. 这种新的方法将轻量级卷积神经网络 (CNN) 与先进的超参数优化相结合,在脑瘤检测中实现了卓越的准确性.
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:
- 深度卷积神经网络 (CNN) 在医学图像分类方面表现出色,但需要大量的计算资源和复杂的超参数优化.
- 优化深度CNN超参数是计算密集型,对没有高性能计算访问的研究人员构成挑战.
研究的目的:
- 为医疗图像分类开发一个计算效率高,准确度高的模型.
- 通过引入轻量级的CNN与超参数调节的高级优化器相结合,解决传统深度CNN的局限性.
主要方法:
- 开发与非线性Lévy混乱火焰优化器 (NLCMFO) 集成的轻量级CNN,用于自动超参数优化.
- NLCMFO通过使用莱维飞行,混乱参数和非线性控制机制来增强勘探和开发阶段.
- 使用2314张脑瘤检测图像的数据集进行实证分析.
主要成果:
- 拟议的CNN_NLCMFO模型实现了92.40%的准确性,比非优化的CNN高出5%.
- 它超越了像DarkNet19 (96.41%),EfficientNetB0 (96.32%),Xception (96.41%),ResNet101 (92.15%) 和InceptionResNetV2 (95.63%) 等已建立的模型.
- 与现有模型相比,性能增长在1%至5.25%之间.
结论:
- 轻量级的CNN与NLCMFO相结合,为医学图像分类提供了计算效率高,准确的解决方案.
- 这种方法有效地解决了传统深度CNN在计算成本和超参数优化方面所面临的挑战.
- 这些发现突显了优化轻量级CNN在医学诊断中的实际应用的潜力.
