经典机器学习和深度学习模型的交易分析,用于强大的脑瘤检测:基准研究研究

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 计算神经科学是一种计算神经科学.

背景情况:

• 脑瘤检测严重依赖于医学图像分析.
• 训练深度学习模型通常需要广泛的标记数据集,这些数据集的获取是昂贵和耗时的.
• 本研究研究了对小型医疗数据集的深度学习的必要性以及自我监督学习的潜力,以减轻注释成本.

研究的目的:

• 用小型医疗图像数据集对传统机器学习和深度学习模型进行比较分析,包括自我监督的方法,用于使用小型医疗图像数据集进行脑瘤分类.
• 评估这些模型在不同领域的未见数据上的稳定性,可转移性和概括性.
• 了解模型复杂性,注释要求和医学成像中的实际部署之间的权衡.

主要方法:

• 评估了四种不同的模型:支持向量机与面向梯度的直方图 (SVM+HOG),ResNet18 (CNN),视觉变压器 (ViT-B/16) 和简单的对比学习视觉表示 (SimCLR) 进行自我监督学习.
• 使用了2870张脑部MRI图像的数据集,分为四个类别 (质瘤,脑膜瘤,垂体,非瘤).
• 模型经过一致的数据增强和早期停止的训练,使用准确度,精度,回忆,F1得分和在域内和跨域未见测试数据上的融合来评估性能.

主要成果:

• ResNet18表现出卓越的性能,具有最高的验证准确性 (99.77%) 和强大的跨域准确性 (95%).
• 视觉变压器 (ViT-B/16) 实现了98%的域内测试精度和93%的跨域测试精度.
• 自主监督的SimCLR在域内达到97%的准确性,跨域准确性达到91%,展示了其减少注释的潜力.
• SVM+HOG在域内提供了具有竞争力的准确性 (97%),但跨域性能明显低 (80%).

结论:

• 在模型复杂性,注释努力和医疗成像中的部署可行性之间存在有意义的权衡.
• 深度学习模型,特别是像ResNet18这样的CNN,为脑瘤分类提供了高性能.
• 自主监督学习提供了一个可行的替代方案,可以降低注释成本,同时保持竞争性表现.