层次化深度特征融合与集成学习用于增强脑肿瘤MRI分类
计算机视觉与模式识别
2025-06-17 v1
摘要
准确的脑肿瘤分类对于医学影像中的诊断至关重要，以确保可靠的诊断和有效的治疗计划。本研究引入了一种新颖的双重集成框架，通过融合用于特征提取的预训练深度学习模型，与优化后的机器学习分类器协同工作，以实现稳健的分类。该框架包含脑磁共振成像(MRI)的全面预处理和数据增强，随后采用预训练的视觉转换器(ViT)网络进行深度特征提取。新颖之处在于双层集成策略：特征级集成整合来自表现最佳ViT模型的深度特征，分类器级集成聚合来自调优优化的机器学习分类器的预测。在两个公开的Kaggle脑肿瘤MRI数据集上进行的实验表明，该方法显著超越了当前最先进的方法，凸显了特征和分类器融合的重要性。该方法还强调了超参数优化(HPO)和先进预处理技术在提高诊断准确性和可靠性方面的关键作用，推动了深度学习和机器学习在临床相关医学图像分析中的集成。
引用
@article{arxiv.2506.12363,
title = {Hierarchical Deep Feature Fusion and Ensemble Learning for Enhanced Brain Tumor MRI Classification},
author = {Zahid Ullah and Jihie Kim},
journal= {arXiv preprint arXiv:2506.12363},
year = {2025}
}