面向脑肿瘤分类的资源高效CNN架构比较分析
摘要
准确的脑肿瘤分类在MRI图像中至关重要，用于及时诊断和治疗计划。虽然ResNet-18、VGG-16等深度学习模型显示出高准确率，但往往伴随更高的复杂度和计算需求。本研究对比分析了有效且简单化的卷积神经网络（CNN）架构与预训练的ResNet18和VGG16模型，用于脑肿瘤分类，分别使用两个公开数据集：Br35H:: Brain Tumor Detection 2020 和 Brain Tumor MRI Dataset。尽管复杂度较低，自定义CNN架构在准确率上仍与预训练的ResNet18和VGG16模型持水平。在二分类任务中，自定义CNN在Br35H数据集上达到98.67%的准确率，在Brain Tumor MRI Dataset上达到99.62%的准确率。对于多分类任务，经过轻微架构修改后的自定义CNN在Brain Tumor MRI Dataset上达到98.09%的准确率。与此相比，ResNet18和VGG16保持了高水平的性能，但自定义CNN提供了更具计算效率的替代方案。此外，对自定义CNN进行了基于few-shot学习（0、5、10、15、20、40和80 shots）的评估，以衡量其鲁棒性，结果显示在样本数增加时准确率显著提升。本研究凸显了经过精心设计的较简单CNN架构作为深度预训练模型在医学影像任务（包括脑肿瘤分类）中的有效且计算效率更高的替代方案。本研究强调了自定义CNN在医学影像任务中的潜力，鼓励进一步探索此方向。
引用
@article{arxiv.2411.15596,
title = {Comparative Analysis of Resource-Efficient CNN Architectures for Brain Tumor Classification},
author = {Md Ashik Khan and Rafath Bin Zafar Auvee},
journal= {arXiv preprint arXiv:2411.15596},
year = {2024}
}
备注
A revised and extended version of this paper has been accepted at the 27th International Conference on Computer and Information Technology (ICCIT 2024). It spans 8 pages and includes 6 figures