推进高效脑肿瘤多类分类——来自迁移学习中Vision Mamba模型的新见解
计算机视觉与模式识别
2024-11-07 v2 人工智能
摘要
脑肿瘤的早期准确诊断对于提高患者生存率至关重要。然而，由于脑肿瘤类型多样且形态特征复杂，其检测与分类面临挑战。本研究探讨了预训练模型在脑肿瘤分类中的应用，特别关注于部署Mamba模型。我们微调了多个主流的迁移学习模型，并将其应用于脑肿瘤的多类分类。通过将这些模型与从头训练的模型进行比较，我们证明了迁移学习的显著优势，尤其是在标注数据通常有限的医学影像领域。值得注意的是，我们引入了Vision Mamba（Vim）这一新颖的网络架构，并首次将其应用于脑肿瘤分类，取得了卓越的分类准确率。实验结果表明，Vim模型在一个独立测试集上达到了100%的分类准确率，凸显了其在肿瘤分类任务中的潜力。这些发现强调了迁移学习在脑肿瘤分类中的有效性，并揭示出，与现有最先进模型相比，Vim模型轻量、高效且高度准确，为临床应用提供了新的视角。此外，本研究提出的基于迁移学习和Vision Mamba模型的脑肿瘤分类框架，可广泛应用于其他医学影像分类问题。
引用
@article{arxiv.2410.21872,
title = {Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning},
author = {Yinyi Lai and Anbo Cao and Yuan Gao and Jiaqi Shang and Zongyu Li and Jia Guo},
journal= {arXiv preprint arXiv:2410.21872},
year = {2024}
}