Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

混合阿奎拉优化器-哈里斯·霍克斯优化CNN超参数调节在脑瘤分类中的优化.

Manoj Kumar1, Noor Mohd1, G Shivam1

  • 1Graphic Era (Deemed to be University), Dehradun, India.

Scientific reports
|March 10, 2026
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Ontology-driven energy-efficient SAID framework for 5G and IoT networks using cryptographic techniques.

Scientific reports·2026
Same author

Quantitative MR biomarkers in identifying steatohepatitis and fibrosis associated with metabolic dysfunction associated liver disease-a single center cross-sectional study.

Abdominal radiology (New York)·2026
Same author

A curated dataset of 3,477 high-resolution Grapevine (Vitis vinifera) leaf images for automated detection of Black Rot, Esca, and Leaf Blight diseases.

Scientific data·2026
Same author

Evaluation of Different Diagnostic Modalities for Screening and Molecular Characterization of Human Papillomavirus Causing Cervical Cancer.

Journal of mid-life health·2026
Same author

Redefining bone metastasis imaging in breast cancer: whole body low-dose computed tomography compared with skeletal scintigraphy in a real-world cohort.

Nuclear medicine communications·2026
Same author

A multi-agent large language model framework for intelligent vendor evaluation and risk-aware procurement decisions.

Scientific reports·2026

这项研究引入了一种新的Aquila Optimizer-Harris Hawks优化 (AO-HHO) 框架,用于在脑MRI分析中调整卷积神经网络 (CNN). AO-HHO框架显著提高了医疗成像决策支持的准确性并降低了计算成本.

科学领域:

  • 医疗成像医学成像
  • 人工智能的人工智能
  • 计算神经科学是一种神经科学.

背景情况:

  • 磁共振成像 (MRI) 分析面临的挑战包括类间相似性,数据不平衡以及敏感的临床决策.
  • 卷积神经网络 (CNN) 的性能在很大程度上取决于超参数调整,这通常是计算上昂贵的.
  • 现有的CNN超参数优化的元启发算法可能缺乏探索和利用之间的平衡.

研究的目的:

  • 提出一种混合优化框架,即Aquila Optimizer-Harris Hawks Optimization (AO-HHO),用于强大的CNN超参数调整.
  • 解决医学成像分析中传统优化方法的局限性.
  • 用MRI数据提高脑瘤分类的准确性和效率.

主要方法:

  • 开发了一个混合AO-HHO框架,集成了Aquila Optimizer的全球探索和Harris Hawks Optimization的本地开发.
  • 应用了AO-HHO框架来微调关键的CNN超参数 (学习速率,批量大小,过器,丢失,优化器类型).
  • 在7023张脑部MRI图像的数据集上评估了框架,这些图像来自质瘤,脑膜瘤,垂体瘤和非瘤类别.

主要成果:

  • 与传统算法 (PSO,GA,WOA) 相比,AO-HHO调整的CNN实现了显著更高的准确性,精度,回忆和F1得分,性能指标在78-83%之间.
关键词:
算术优化算法算术优化算法脑瘤分类大脑瘤的分类哈里斯·霍克斯优化优化混合元启发优化优化 混合元启发优化磁共振成像技术 磁共振成像技术

相关实验视频

  • 拟议的AO-HHO框架展示了卓越的计算效率,将训练时间缩短到77.85秒,而基线优化器的训练时间超过300秒.
  • 该框架有效地应对了诸如类间相似性和脑MRI分类中的数据不平衡等挑战.

    • 结论:

    • 在医疗成像中,AO-HHO框架为CNN超参数优化提供了可靠,准确和计算高效的解决方案.
    • 这种方法适用于具有有限计算资源的实时医学成像决策支持应用程序.
    • 该研究强调了混合元启发算法的潜力,以促进医疗保健领域的AI发展.