一个高效的神经框架用于脑瘤分类使用基于CNN的自我监督学习方法与遗传优化
Paripelli Ravali1, Pundru Chandra Shaker Reddy1,2, Pappula Praveen1
1School of Computer Science and Artificial Intelligence, SR University, Warangal, Telangana, India.
Current neuropharmacology
|September 22, 2025
概括
这项研究引入了一个深度学习框架,用于从MRI扫描中对质瘤脑瘤进行分类,达到93%以上的准确性. 该方法提高了诊断速度和临床决策的可靠性.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 计算生物学 计算生物学
背景情况:
- 从MRI中准确分类质瘤脑瘤是具有挑战性的,因为标记数据有限和复杂的临床评估.
- 传统的卷积神经网络 (CNN) 在特征提取方面面临局限性,并缺乏用于质瘤分类的数据.
- 开发强大而高效的深度学习框架对于改善非侵入性瘤分级至关重要.
研究的目的:
- 开发一个强大而高效的深度学习框架,以使用MRI图像改进质瘤分类.
- 为了克服传统CNN固有的数据稀缺和有限的特征提取问题.
- 为了提高临床应用中质瘤分级的准确性和效率.
主要方法:
- 一个多阶段的框架,利用基于SimCLR的自我监督学习来进行代表性学习.
- 深层嵌入式集群用于有效的特征提取和分组,然后使用EfficientNet-B7进行初始分类.
- 一组权重的EfficientNet-B7,ResNet-50和DenseNet-121组合,其超参数通过差异进化优化的遗传算法进行优化.
主要成果:
- EfficientNet-B7实现了大约88-90%的分类准确度.
- 权重组合模型将分类准确度提高到大约93%左右.
- 基因优化进一步提高了准确度3-5%,培训时间减少了15%.
结论:
- 拟议的框架有效地解决了用于质瘤分类的CNN中的数据稀缺性和特征提取限制.
- 自主监督学习,集群,合体建模和进化优化的结合,可以提高性能和稳定性.
- 该框架为质瘤分类提供了准确,可扩展的解决方案,支持更快的临床决策和有前途的现实世界诊断应用.
