机构名称：
¥ 1.0
随着脑肿瘤的增多，研究人员正致力于实现脑肿瘤识别和诊断的自动化。众所周知，肿瘤的功能多种多样，因此多级脑肿瘤分类已成为一个突出的研究问题。由于手动执行肿瘤诊断过程非常繁琐。由于预测的有效性与放射科医生的专业知识有关，因此需要计算机辅助诊断系统。因此，我们需要一种需要较少预处理且能够有效实施的方法，而不是传统的机器学习方法。目前，迁移学习在深度学习中非常突出，因为它允许研究人员用很少的数据训练深度神经网络。EfficientNet 架构用于对脑肿瘤进行分类。在迁移学习的帮助下，EfficientNet 架构得到了训练。本研究工作基于 CNN 实施迁移学习，并使用 EfficientNet B0 和 EfficientNet B7 模型，该模型利用 ImageNet 数据集中的权重对 kaggle 公开数据集上的 4 种常见脑肿瘤类别（如无肿瘤、垂体、脑膜瘤、神经胶质瘤）进行分类。该数据集包含 3264 张脑 MRI 图像。使用这两种模型获得的准确度与各种性能指标（如准确度、精确度、F1 分数、特异性、灵敏度）一起计算。最高准确度为 98%。研究结果表明，该方法可用于将脑肿瘤分为几类。
使用 EFFICIENTNET 架构的迁移学习方法治疗脑肿瘤
主要关键词
相关文件推荐
