CTVR-EHO TDA-IPH 用于脑肿瘤分割与分类的拓扑优化卷积视觉循环网络
图像与视频处理
2024-11-22 v3 计算机视觉与模式识别
摘要
在当今医疗健康领域，脑肿瘤检测已十分常见。然而，人工脑肿瘤分类方法耗时较长。因此，许多医学领域研究者使用深度卷积神经网络（DCNN）进行准确诊断并辅助患者治疗。传统技术存在过拟合及无法提取必要特征等问题。为克服这些问题，我们开发了基于拓扑数据分析的改进持续同调（TDA-IPH）以及卷积迁移学习与视觉循环学习结合象群优化超参数调优（CTVR-EHO）模型，用于脑肿瘤分割与分类。首先，设计基于拓扑数据分析的改进持续同调以分割脑肿瘤图像。然后，从分割图像中利用 AlexNet 模型和双向视觉长短期记忆（Bi-VLSTM）通过迁移学习提取特征。接下来，使用象群优化（EHO）调优两个网络的超参数以获得最优结果。最后，将提取的特征拼接并使用 softmax 激活层分类。所提 CTVR-EHO 与 TDA-IPH 方法的仿真结果基于精确率、准确率、召回率、损失和 F 分数指标进行分析。与其他现有脑肿瘤分割与分类模型相比，所提 CTVR-EHO 和 TDA-IPH 方法展现出高准确率（99.8%）、高召回率（99.23%）、高精度（99.67%）和高 F 分数（99.59%）。
引用
@article{arxiv.2207.13021,
title = {CTVR-EHO TDA-IPH Topological Optimized Convolutional Visual Recurrent Network for Brain Tumor Segmentation and Classification},
author = {Dhananjay Joshi and Bhupesh Kumar Singh and Kapil Kumar Nagwanshi and Nitin S. Choubey},
journal= {arXiv preprint arXiv:2207.13021},
year = {2024}
}