基于混合优化算法改进深度卷积神经网络以检测和分类增强MRI图像中的脑肿瘤
图像与视频处理
2022-06-10 v1 计算机视觉与模式识别
摘要
自动化脑肿瘤检测正成为备受关注的医学诊断研究。在近期医学诊断中，检测和分类高度依赖机器学习与深度学习技术。然而，现有模型的准确率和性能仍有待提升，以实现适宜的治疗。本文通过采用增强的优化算法来改进深度卷积学习，由此提出了一种基于改进哈里斯鹰优化(HHO)的深度卷积神经网络(DCNN)，称为G-HHO。该混合方法融合了灰狼优化(GWO)与HHO，以获得更优结果，限制收敛速率并提升性能。此外，采用Otsu阈值分割出肿瘤区域，从而强化脑肿瘤检测。实验研究在共计2073张增强MRI图像上验证了所提方法的性能。通过在大量增强MRI图像上将其与九种现有算法在准确率、精确率、召回率、F值、执行时间与内存占用方面进行比较，确认了该技术的性能。性能对比表明，DCNN-G-HHO比现有方法成功得多，尤其在97%的评分准确率上。此外，统计性能分析表明，所提方法在识别和分类MRI图像上的脑肿瘤时更快且内存占用更少。该验证在Python平台上实现。所提方法的相关代码见：https://github.com/bryarahassan/DCNN-G-HHO。
引用
@article{arxiv.2206.04056,
title = {An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images},
author = {Shko M. Qader and Bryar A. Hassan and Tarik A. Rashid},
journal= {arXiv preprint arXiv:2206.04056},
year = {2022}
}
备注
Multimed Tools Appl (2022)