混合集成方法：深度特征融合与调优分类器集成以提升脑肿瘤分类
计算机视觉与模式识别
2025-07-18 v1
摘要
磁共振成像（MRI）因其能够产生揭示肿瘤存在的详细图像而被广泛认为是检测肿瘤最可靠的工具。然而，当人类专家评估这些图像时，诊断准确性可能受到影响。因素包括疲劳、有限的专业知识以及图像细节不足，都可能导致错误。例如，小肿瘤可能被忽视，或与健康脑区重叠导致误认。为应对这些挑战并提高诊断精度，本文提出了一种新颖的双重集成框架，包括用于特征提取的集成预训练深度学习（DL）模型和用于高效分类的集成微调超参数机器学习（ML）模型。具体而言，我们的方法包括广泛的预处理和数据增强，利用各种预训练深度卷积神经网络和视觉转换网络提取脑 MRI 的深度特征，并对 ML 分类器进行超参数微调。我们的实验利用三个不同的公开 Kaggle 脑肿瘤 MRI 数据集来评估预训练 DL 特征提取模型、ML 分类器以及深度特征集成以及 ML 分类器集成对于脑肿瘤分类的有效性。我们的结果表明，所提特征融合和分类器融合在提升最新成果方面取得了显著进展，超参数微调相对于集成方法提供了显著的增强。此外，我们还提出了消融研究，以说明每个组件如何对准确的脑肿瘤分类作出贡献。
引用
@article{arxiv.2507.12177,
title = {Hybrid Ensemble Approaches: Optimal Deep Feature Fusion and Hyperparameter-Tuned Classifier Ensembling for Enhanced Brain Tumor Classification},
author = {Zahid Ullah and Dragan Pamucar and Jihie Kim},
journal= {arXiv preprint arXiv:2507.12177},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2506.12363