基于细粒度梯度保持的脑肿瘤分类深度融合模型
计算机视觉与模式识别
2024-07-01 v1 人工智能
摘要
脑肿瘤是最常见的疾病之一，如果不及时诊断会导致早期死亡。传统诊断方法极其耗时且容易出错。在此背景下，基于计算机视觉的解决方案日益成为准确脑肿瘤分类的有效工具。虽然一些现有解决方案显示出显著的准确性，但这些模型在计算资源有限的地区难以部署。本研究旨在实现准确且快速的脑肿瘤分类，优先部署于技术欠发展地区。研究提出了一种新型架构，用于精确脑肿瘤分类，将预训练的ResNet152V2和修改版的VGG16模型融合。该 proposed architecture 通过周密的微调过程确保保留深层神经网络中的细粒度梯度，这对于有效的脑肿瘤分类至关重要。该解决方案采用各种图像处理技术以提高图像质量，并在Figshare和Kaggle数据集上分别实现惊人的98.36%和98.04%的准确率。该架构的最大特点是简洁的配置，仅包含280万个可训练参数。我们利用8位量化技术生产了仅73.881 MB大小的模型，显著缩小了原本289.45 MB的体积，确保即使在资源受限的地区也能顺利部署到边缘设备。此外，Grad-CAM的使用提高了模型的可解释性，提供有关其决策过程的深入见解。凭借其高辨识能力，该模型可以成为准确脑肿瘤分类可靠的选项。
关键词
引用
@article{arxiv.2406.19690,
title = {Deep Fusion Model for Brain Tumor Classification Using Fine-Grained Gradient Preservation},
author = {Niful Islam and Mohaiminul Islam Bhuiyan and Jarin Tasnim Raya and Nur Shazwani Kamarudin and Khan Md Hasib and M. F. Mridha and Dewan Md. Farid},
journal= {arXiv preprint arXiv:2406.19690},
year = {2024}
}