使用混合深度学习模型对脑肿瘤进行分类.pdfVIP

使用混合深度学习模型对脑肿瘤进行分类

NeeravNemchandGala

GeorgiaInstituteofTechnology

ngala8@

Abstract性，它可以通过应用卷积从图像中提取特征来保持空

间信息，如图1所示。

卷积神经网络（CNNs）的使用极大地提高了医学

本图像的解释能力。然而，传统的CNN通常需要大量的

计算资源和大规模的训练数据集。为了解决这些问题，

译本研究应用了迁移学习来实现使用较少训练样本的良

中好分类性能。具体来说，该研究比较了EfficientNetV2

1与其前身EfficientNet以及ResNet50在将脑肿瘤分为

v三种类型：胶质瘤、脑膜瘤和垂体瘤的分类表现。结果

0

5显示，EfficientNetV2的表现优于其他模型。然而，这

3种改进是以增加训练时间作为代价的，这可能是由于图1.简单CNN结构[1]

1

0该模型复杂性更高的原因。

.

8

0

51.介绍卷积神经网络（CNN）已被证明在医学图像分析

2

:中非常有效，提供了精度和计算效率。CNN的一个主

v

i根据世界卫生组织（WHO）的数据，2022年大约要优点是能够自动从图像中提取有意义的特征，从而

x

r有2000万新发癌症病例和970万人因癌症死亡[20]。减少了手动特征选择的需求——这是传统机器学习方

a

脑肿瘤是一个严重且普遍的健康问题，可以严重影响法中的常见要求。尽管具有这些优势，CNN也面临着

所有年龄和性别群体的预期寿命。它们是由大脑细胞挑战。它们通常依赖于大型标记数据集以实现高准确

异常且不受控制的增长引起的。个体的预后取决于多性，而在医学环境中由于标注所需的时间、成本和专业

种因素，包括肿瘤的类型、大小、位置以及是否有有效知识，获取这样的数据集可能很困难。此外，CNN计

的治疗方法。早期发现和了解风险因素对于成功管理算需求较高，通常需要高性能的GPU和大量的RAM

至关重要。医学影像技术，特别是磁共振成像（MRI），来进行有效的训练和部署。[2].

在脑肿瘤的早期检测和诊断中起着关键作用。[2]。

深度学习是机器学习的一个专业化分支，它通过为了减轻传统卷积神经网络（CNN）的限制，本研

将世界建模为概念的分层层次结构来获得其强大的灵究采用了迁移学习以较少的训练样本提高性能并减少

活性。在此结构中，复杂的想法建立在更简单的想法之训练时间。该研究评估了预训练的EfficientNetV2模型

上，更高层次、更抽象的表示从较低层次、较少抽象的在将脑肿瘤分类为三种类型——胶质瘤、脑膜瘤和垂体

特征[6]中衍生出来。瘤——方面的有效性。其性能与较早版本的Efficient-

深度学习在计算机视觉任务的广泛领域取得了显Net以及另一个成熟的预训练CNN模型ResNet50进

著成功，这主要归功于卷积神经网络（CNN）的有效行了比较。

2.相关工作率升高，限制了更深层次架构的好处[4]。

ResNet（