通过深度特征提取和优化分类器权重进行脑瘤分类的混合模型
Sarita Chhikara1, Rajeshwar Dass2
1Electronics and communication, Deenbandhu Chhotu Ram University of Science and Technology, Murthal, Murthal, Haryana, 131039, INDIA.
Biomedical physics & engineering express
|August 7, 2025
概括
这项研究引入了一种使用深度学习功能和集体分类来分类脑瘤的新方法. 该方法实现了99.54%的准确性,大大改善了对现有模型的诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 准确的脑瘤分类对于及时治疗和诊断至关重要.
- 需要自动化方法来提高医疗图像分析的效率和准确性.
研究的目的:
- 开发一种新的多类脑瘤分类方法.
- 通过将深度特征与集体学习相结合,提高分类准确性.
主要方法:
- 利用从预训练的VGG-16模型中提取的深度特征用于磁共振图像.
- 使用的支持矢量机 (SVM) 和K-近邻 (KNN) 分类器.
- 实施多数投票,将SVM和KNN决策结合起来,以改善预测.
主要成果:
- 拟议的整体模型在figshare脑瘤数据集上实现了99.54%的准确性.
- 与单个SVM和KNN分类器相比,表现出优越的性能.
- 展示了改进的稳定性和最小化的错误分类错误.
结论:
- 深度特征提取和集体学习的结合为多类脑瘤诊断提供了可靠的工具.
- 拟议的方法超过了脑瘤分类的最新技术.
- 突出了人工智能在推进瘤学医学图像分析方面的潜力.
