用于脑肿瘤检测的卷积 XGBoost（C-XGBOOST）模型

Muyiwa Babayomi; Oluwatosin Atinuke Olagbaju; Abdulrasheed Adedolapo Kadiri

用于脑肿瘤检测的卷积 XGBoost（C-XGBOOST）模型

图像与视频处理 2023-01-09 v1 计算机视觉与模式识别

作者: Muyiwa Babayomi , Oluwatosin Atinuke Olagbaju , Abdulrasheed Adedolapo Kadiri

摘要

脑肿瘤是脑内或中央脊髓管内细胞团块或异常增生，症状包括头痛、癫痫发作、手臂或腿部无力或麻木、个性或行为改变、恶心、呕吐、视力或听力问题及眩晕。脑肿瘤的常规诊断涉及一些测试和流程，可能包括病史考量、体格检查、影像测试（如 CT 或 MRI 扫描）以及活检（切除并检查一小块肿瘤组织）。这些流程虽然有效，但由于脑扫描的手动检查和测试结果的细致评估，在精神上费力且耗时。大量医学研究已确立，早期诊断和治疗的脑肿瘤通常预后更好。深度学习技术多年来不断发展，在医学影像中脑肿瘤分类上展现出令人印象深刻的更快结果，且极少或无人干预。本研究提出一种使用卷积神经网络（CNN）与极端梯度提升（XGBoost）结合的早期脑肿瘤检测模型。所提模型名为 C-XGBoost，相比纯 CNN 具有更低的模型复杂度，更易训练且更不易过拟合。它也更能处理不平衡和非结构化数据，这些是现实世界医学图像分类任务中的常见问题。为评估所提模型的有效性，我们采用了一组有瘤和无瘤的脑 MRI 图像数据集。

关键词

脑肿瘤检测卷积神经网络 XGBoost 医学图像分类 MRI 早期检测

引用

@article{arxiv.2301.02317,
  title  = {Convolutional XGBoost (C-XGBOOST) Model for Brain Tumor Detection},
  author = {Muyiwa Babayomi and Oluwatosin Atinuke Olagbaju and Abdulrasheed Adedolapo Kadiri},
  journal= {arXiv preprint arXiv:2301.02317},
  year   = {2023}
}

用于脑肿瘤检测的卷积 XGBoost（C-XGBOOST）模型

摘要

关键词

引用

相关论文