利用 TrAdaBoost 和多分类深度学习方法提高脑肿瘤分类 accuracy
图像与视频处理
2024-11-05 v1 人工智能
计算机视觉与模式识别
摘要
脑肿瘤因其快速生长和潜在的转移风险而构成严重健康威胁。尽管医学影像取得了显著进展，但准确识别和特征化这些肿瘤仍然是一个挑战。本研究通过利用创新的 TrAdaBoost 方法来增强 Brain Tumor Segmentation (BraTS2020) 数据集，旨在提高脑肿瘤分类的效率和 accuracy。我们的方法结合了包括 Vision Transformer (ViT)、Capsule Neural Network (CapsNet) 和卷积神经网络 (CNN) 如 ResNet-152 和 VGG16 在内的前沿深度学习算法。通过将这些模型集成到多分类框架中，我们发挥每种方法的优势，以实现更稳健可靠的肿瘤分类。采用 novel decision template 来协同组合不同算法的输出，从而进一步提升分类 accuracy。为增强训练过程，我们将 'Brain Tumor MRI Dataset' 作为 source domain 纳入辅助数据集，为模型训练提供额外数据，提高 generalization 能力。我们的发现表明，在对抗样本上的成功率提高了 10%，该方法在 MMLU、GSM8K、HumanEval 等评估基准上实现了 1.3% 的提升。
关键词
引用
@article{arxiv.2411.00875,
title = {Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches},
author = {Mahin Mohammadi and Saman Jamshidi},
journal= {arXiv preprint arXiv:2411.00875},
year = {2024}
}