DVS：基于新型 CNN 集成方法的血癌检测
图像与视频处理
2024-10-10 v1 计算机视觉与模式识别
摘要
血癌只有早期发现才能得到正确诊断。全球每年新增超过 124 万例血癌病例。癌症检测和分类的重要性促使研究人员评估深度卷积神经网络在血癌分类中的应用。本研究旨在深入探究现代卷积神经网络（CNN）架构在血癌检测和分类中的有效性与适用性。研究重点在于探索深度卷积神经网络（DCNN）的潜力，不仅包括基础 CNN 模型，还包括通过迁移学习改进并集成到集成策略中的模型，以高精度检测多种血癌类型。本文对五种基于 CNN 的深度学习架构进行了全面研究，即 VGG19、ResNet152v2、SEresNet152、ResNet101 和 DenseNet201，这些模型集成了集成学习策略与迁移学习技术。对比 DenseNet201（98.08%）、VGG19（96.94%）和 SEresNet152（90.93%）的结果表明，DVS 性能更优。在迁移学习下，DenseNet201 准确率为 95.00%，VGG19 为 72.29%，SEresNet152 为 94.16%。本研究中，集成 DVS 模型达到了 98.76% 的准确率。基于我们的研究，集成 DVS 模型是检测和分类血癌的最佳选择。
关键词
引用
@article{arxiv.2410.05272,
title = {DVS: Blood cancer detection using novel CNN-based ensemble approach},
author = {Md Taimur Ahad and Israt Jahan Payel and Bo Song and Yan Li},
journal= {arXiv preprint arXiv:2410.05272},
year = {2024}
}