基于特征提取与非线性SVM的脑肿瘤分类混合模型
计算机视觉与模式识别
2022-12-07 v1
摘要
从磁共振成像（MRI）中准确分类脑肿瘤对于患者更好且及时的治疗至关重要。本文提出一种混合模型，使用VGG结合非线性SVM（软间隔与硬间隔）对脑肿瘤进行分类：胶质瘤与垂体瘤、肿瘤性与非肿瘤性。VGG-SVM模型针对两个二分类数据集进行训练；因此，我们执行二分类。VGG模型通过PyTorch python库训练，以获得最高的肿瘤分类测试准确率。该方法分为三步：第一步，我们对图像进行归一化与尺寸调整；第二步，通过VGG模型变体进行特征提取；第三步，使用非线性SVM（软间隔与硬间隔）对脑肿瘤进行分类。使用VGG19，我们在第一个数据集上获得98.18%的准确率，在第二个数据集上获得99.78%的准确率。非线性SVM在D1上采用linear与rbf核的分类准确率分别为95.50%和97.98%，采用RBF核的软SVM为97.95%；在D2上采用linear与RBF核分别为96.75%和98.60%，采用RBF核的软SVM为98.38%。结果表明，混合VGG-SVM模型，尤其是VGG19结合SVM，能够超越现有技术并取得高准确率。
引用
@article{arxiv.2212.02794,
title = {Hybrid Model using Feature Extraction and Non-linear SVM for Brain Tumor Classification},
author = {Lalita Mishra and Shekhar Verma and Shirshu Varma},
journal= {arXiv preprint arXiv:2212.02794},
year = {2022}
}