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
概括
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.
- 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.