图像预处理和优化器灵敏度:对卷积神经网络在诊断脑瘤中的影响
Manikanta Manohar Pattisapu1, Suraj Aravind B2, V Venkateswara Rao P3
1Gandhi Institute of Technology and Management (GITAM) Deemed to be University; mpattisa@gitam.edu.
Journal of visualized experiments : JoVE
|March 9, 2026
概括
简单的预处理用于脑瘤分类MRI图像改善CNN性能和优化器的融合. 基线预处理实现了99.53%的准确性,突出显示了它对于强大的医疗图像分析的重要性.
科学领域:
- 医学图像分析 医学图像分析
- 医疗保健中的机器学习
背景情况:
- 通过MRI进行脑瘤分类是具有挑战性的,因为图像的变化.
- 图像预处理对优化器行为和CNN性能的影响还未得到充分研究.
研究的目的:
- 调查不同MRI预处理管道对优化器性能和CNN精度对脑瘤分类的影响.
- 为了比较基线大小调整与传统预处理方法 (灰度,模糊,形态过).
主要方法:
- 使用KaggleMRI数据集进行脑瘤分类.
- 实施了两个预处理管道:基线 (调整大小) 和传统 (灰度,模糊,过).
- 评估了三个优化器 (Adam,RMSProp,SGD) 具有固定的CNN架构,使用五倍交叉验证.
主要成果:
- 基线预处理始终导致所有测试的优化器都具有更高的准确性和更稳定的融合.
- 通过基线预处理,RMSProp和SGD实现了最高的平均准确率99.53%.
- 该研究量化了预处理选择对模型性能指标 (准确性,精度,回忆,F1分数) 的影响.
结论:
- 简单的基线图像预处理比传统的脑瘤MRI分类方法更有效.
- 预处理策略显著影响优化器融合和CNN概括.
- 开发预处理意识培训对于提高医疗成像AI的稳定性和可解释性至关重要.