融合伪牛顿提升的混合卷积神经网络用于腰椎退化检测
计算机视觉与模式识别
2025-11-19 v1 人工智能
摘要
本文提出了一种新型增强模型架构，用于对肝胰腺图像进行分类，采用混合方法，将 EfficientNet 和 VGG19 集成在一起，并配合自定义组件。该模型与传统迁移学习方法的区别在于，它引入了伪牛顿提升层和稀疏诱导特征降维层，构成多层次框架，进一步提高特征选择和表示。伪牛顿提升层对特征权重进行智能变体，捕捉更细致的解剖特征，这些特征在迁移学习设置中通常被忽略。此外，稀疏诱导层会消除学习特征中的冗余，产生针对腰椎病理的简洁且稳健的表示。该架构的新颖性在于，它克服了传统迁移学习方法在医学图像高维情境下的限制，显著提升性能，准确率达 0.9，召回率为 0.861，F1 分数为 0.88，损失为 0.18，准确率达 88.1%，相较于基线模型 EfficientNet 效果显著提升。本文将呈现网络架构、预处理流程及实验结果。该工作为开发医学图像自动诊断工具贡献了重要成果。
引用
@article{arxiv.2511.13877,
title = {Hybrid Convolution Neural Network Integrated with Pseudo-Newton Boosting for Lumbar Spine Degeneration Detection},
author = {Pandiyaraju V and Abishek Karthik and Jaspin K and Kannan A and Jaime Lloret},
journal= {arXiv preprint arXiv:2511.13877},
year = {2025}
}