机构名称：
¥ 2.0
摘要 发现和分类脑肿瘤是医学图像分析的重要组成部分，需要先进的深度学习方法和优化算法。认识到脑肿瘤诊断迫切需要准确的方法，我们提出了一种综合方法，整合了包括数据预处理在内的各个阶段。在这个预处理阶段，我们采用长宽比归一化和调整大小等技术来形成标准化数据集。通过标准化图像尺寸，我们旨在改进后续过程，如特征提取和分割，减少潜在的扭曲。建议的模型是使用卷积神经网络 (CNN) 来寻找使肿瘤和非肿瘤区域彼此不同的模式和特征。为了克服下采样过程中的复杂部分和精细纹理，提出的模型与 U-Net 架构混合，可提供 98% 的准确和稳健结果。此外，使用交并比 (IOU) 来测量 Dice 系数，以确保它是否对类别不平衡具有鲁棒性。这显示了一个直观的解释，0.83 和 0.9 的较高值表示强大且更好的分割性能。该模型使用 VGG-16 进一步开发，以对肿瘤等级进行分类。在准确分割肿瘤等级方面，从分割的肿瘤照片中得出的相关特征提供了 73% 的满意度。为了克服复杂性和过度拟合问题，蝴蝶优化算法与 VGG-16 混合，从而在等级分类中提供增强的输出。所提出的模型在肿瘤和非肿瘤识别和分类方面优于其他机器学习 (ML) 和深度学习 (DL) 方法，准确率为 99.99%。为了进一步评估所建议模型的性能、移动性和能源经济性，它还在 JETSON Orin 硬件中实现。
针对脑肿瘤优化的深度学习框架......
主要关键词
相关文件推荐
