OkanNet：一种用于MRI图像脑肿瘤分类的轻量级深度学习架构
图像与视频处理
2026-04-03 v1 人工智能
信息检索
机器学习
神经与进化计算
摘要
医学成像技术，尤其是磁共振成像（MRI），被公认为神经系统疾病诊断和治疗规划的金标准。然而，MRI图像的人工分析对放射科医生来说是一个耗时的过程，并且容易因疲劳而产生人为错误。本研究开发并比较分析了两种不同的深度学习方法，用于脑肿瘤（胶质瘤、脑膜瘤、垂体瘤和无肿瘤）的自动检测和分类。第一种方法从头设计了一种名为“OkanNet”的自定义卷积神经网络（CNN）架构，该架构具有低计算成本和快速训练时间。第二种方法应用了迁移学习方法，使用了在ImageNet数据集上预训练的50层ResNet-50 [1]架构。在使用Masoud Nickparvar整理的包含总计7,023张MRI图像的扩展数据集进行的实验中，基于迁移学习的ResNet-50模型表现出优越的分类性能，达到了96.49%的准确率和0.963的精确率。相比之下，自定义的OkanNet架构达到了88.10%的准确率；然而，它在训练时间上比ResNet-50快了约3.2倍（311秒），证明了其对于计算能力有限的移动和嵌入式系统而言是一个强有力的替代方案。本研究通过实验数据展示了医学图像分析中模型深度与计算效率之间的权衡。
引用
@article{arxiv.2604.01264,
title = {OkanNet: A Lightweight Deep Learning Architecture for Classification of Brain Tumor from MRI Images},
author = {Okan Uçar and Murat Kurt},
journal= {arXiv preprint arXiv:2604.01264},
year = {2026}
}
备注
7 pages, 3 figures, 1 table