混合深度学习用于脑瘤检测:将DenseNet和自定义CNN结合起来,提高准确性
Alex David Swaminathan1, Almas Begum2, Karthikeyan Ramamoorthy3
1Department of Computer Science and Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, Tamilnadu, India.
Biomedical engineering and computational biology
|December 15, 2025
概括
结合DenseNet和定制卷积神经网络 (CNN) 的新型混合深度学习模型显著提高了医疗成像中的脑瘤检测准确性和特异性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机科学 计算机科学
背景情况:
- 深度学习模型对于在医学成像中准确检测脑瘤至关重要.
- 像VGG,SVM和标准CNN这样的传统模型缺乏诊断所需的实时灵敏度和特异性.
研究的目的:
- 开发一个混合深度学习架构,集成DenseNet和一个定制的CNN.
- 为了提高分类准确度,灵敏度和特异性,在医学图像中检测大脑瘤.
主要方法:
- 设计了一个混合架构,将DenseNet的功能重复使用与定制的CNN相结合.
- 该模型在预处理和增强的大脑瘤数据集上进行了训练和测试.
- 性能与基准模型进行了评估,包括SVM,VGG和单个DenseNet/CNN模型.
主要成果:
- 混合型DenseNet-Custom CNN模型实现了卓越的准确性 (超过SVM的96%,VGG的94%,DenseNet的92%和混合组合的95.2%).
- 证明了增强的敏感性和特异性,并改善了特征表示,以便更准确地对瘤进行分类.
- 实现了与SVM相似的每秒 (FPS),并且明显低于VGG.
结论:
- 将DenseNet与定制的CNN集成,可以提高医学成像中的脑瘤检测能力.
- 这种混合方法通过将一般的深度学习与特定领域的特征工程结合起来,提供了一个实用且在诊断上令人满意的解决方案.
- 结合多种方法可以有效地改善医学图像分类结果.