轻量化快速双线性卷积网络用于MRI脑病分类
图像与视频处理
2024-09-18 v1 计算机视觉与模式识别
摘要
在磁共振成像（MRI）扫描中实现精准且计算高效的脑病分类，尤其是在需要区分粗粒度与细粒度特征时，具有挑战性。当前深度学习方法往往难以平衡准确率与计算需求。我们提出了 Lite-FBCN，一款新型轻量化快速双线性卷积网络，以解决此问题。不同于传统双网络双线性模型，Lite-FBCN 采用单网络架构，显著降低计算负载。Lite-FBCN 利用轻量级预训练 CNN 微调以提取相关特征，并在双线性池化前引入通道减缩层，最小化特征图维度， resulting in 一个紧凑的双线性向量。广泛的交叉验证和留出数据评估表明，Lite-FBCN 不仅超越基线 CNN，还优于现有双线性模型。采用 MobileNetV1 的 Lite-FBCN 在交叉验证中达到 98.10% 的准确率，在留出数据上达到 69.37%（比基线高出 3%）。此外，UMAP 可视化进一步证明其在区分紧密相关脑病类别方面的有效性。更重要的是，其在性能与计算效率之间的最佳权衡使 Lite-FBCN 成为资源受限或实时临床环境中提升诊断能力的有前景的解决方案。
引用
@article{arxiv.2409.10952,
title = {Lite-FBCN: Lightweight Fast Bilinear Convolutional Network for Brain Disease Classification from MRI Image},
author = {Dewinda Julianensi Rumala and Reza Fuad Rachmadi and Anggraini Dwi Sensusiati and I Ketut Eddy Purnama},
journal= {arXiv preprint arXiv:2409.10952},
year = {2024}
}