机构名称：
¥ 1.0
摘要：在本研究中，我们提出了一种用于检测和分类脑肿瘤的新型增强型深度学习方法，即降低复杂度空间融合 CNN (RCSF-CNN) 方法。该方法集成了复杂度特征提取，从而提高了脑肿瘤图片特征提取的质量。为了捕获关键的检测属性，提取了图像变量，例如平均值、标准差、熵、方差、平滑度、能量、对比度和相关性。然后，RCSF-CNN 使用这些属性来检测和分类脑癌。当与离散正交斯托克韦尔变换 (DOST) 配对作为中间阶段时，所提出的方法说明了增强型深度学习方法在脑癌识别中的有效性和优越性。研究是通过 Kaggle 使用 BRATS 数据集进行的，网络在 32 个样本上进行训练，并评估了 5 个样本图片的特征。RCSF-CNN 以其高效的架构脱颖而出，其中包括空间融合以及关键的规范化步骤。类激活映射 (CAM) 的加入提高了透明度和可解释性，突出了模型的创新性。MATLAB 仿真工具用于实现，并在自由源脑肿瘤图像分割基准 (BRATS) 数据集上进行了实验研究。脑肿瘤识别的结果显示熵值为 0.008、能量值为 0.8155、对比度值为 0.354。这些熵、对比度和能量值对于脑肿瘤的检测至关重要。此外，在准确度、特异性和灵敏度方面，新技术在脑肿瘤检测中胜过早期的方法，例如传统 CNN、具有修改后的局部二元模式的深度学习和 ML 算法（例如 SVM）。实现的准确度为 98.99%，表明总正确分类水平很高。99.76% 的特异性说明了该方法能够正确识别非肿瘤区域，而 98.43% 的灵敏度则证明了其能够正确检测癌症位置。
增强脑肿瘤检测和分类并降低复杂性
主要关键词
相关文件推荐
