本研究采用受控框架，在固定架构内评估预处理流程和优化器，旨在确定经典预处理方法如何影响脑肿瘤分类中的优化器和卷积神经网络（CNN）。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本研究采用受控框架，在固定架构内评估预处理流程和优化器，旨在确定经典预处理方法如何影响脑肿瘤分类中的优化器和卷积神经网络（CNN）。
利用磁共振成像（MRI）进行脑肿瘤分类面临诸多挑战，原因在于肿瘤的大小、形状和纹理存在显著差异。尽管传统图像预处理方法常被用于提升输入图像质量，但其对优化器行为及卷积神经网络（CNN）性能的影响尚未得到系统研究。本研究探讨了不同预处理方法对多种优化器在收敛性、泛化能力及分类准确率方面的影响。我们采用一个公开的Kaggle数据集构建了两种预处理流程：一种为基线流程，仅对图像进行尺寸调整；另一种为传统流程，将图像转换为灰度图、进行模糊处理并应用形态学滤波。随后，评估这两种流程对三种优化器——Adam、均方根传播（RMSProp）和随机梯度下降（SGD）——的影响。为分离协议变量，实验全程采用固定的CNN架构。通过五折交叉验证，使用准确率、精确率、召回率和F1分数对模型性能进行评估。结果表明，基线预处理在所有优化器下均表现出更高的准确率和更稳定的收敛性，其中RMSProp和SGD在五折交叉验证中达到最高的平均准确率99.53%。本研究揭示了预处理对优化器性能这一尚未充分研究的影响因素，强调在医学图像分析中需采用考虑预处理影响的训练策略，以提升模型的鲁棒性与可解释性。
利用磁共振成像（MRI）对脑肿瘤进行分类是神经肿瘤学中的一项关键任务，早期且准确的诊断直接影响治疗方案的制定和患者的预后1。卷积神经网络（CNN）因其能够直接从原始图像数据中学习分层的空间和纹理特征，已成为自动化该过程的主流方法2。然而，输入数据的质量仍是决定模型性能的关键因素。经典的预处理技术——如灰度转换、高斯模糊、阈值分割和形态学操作——通常被用于降低噪声并突出结构边界3,4,5。Gangadharan 等人对用于脑肿瘤预测的深度学习模型进行了比较分析，强调了不同网络架构之间性能的差异性以及数据集特征对结果的重要影响6。Qureshi 等人提出了一种超轻量级的卷积神经网络，用于多类别肿瘤检测，在不牺牲诊断准确性的前提下，强调了计算效率和实时应用能力7。进一步超越结构成像，Qureshi 等人探索了基于多参数 MRI 扫描融合多组学特征的放射基因组学分类方法，用于预测甲基鸟嘌呤-DNA 甲基转移酶（MGMT）启动子甲基化状态，展示了整合多模态数据在无创肿瘤表征中的潜力8。尽管这些预处理方法被广泛使用，但它们....
访问受限。请登录或开始试用以查看此内容。
图1展示了本实验方案的工作流程概览。本研究探讨了经典图像预处理方法对卷积神经网络（CNN）性能的影响，以及在利用磁共振成像（MRI）进行脑肿瘤分类任务中优化器行为的变化。该方案涵盖数据集准备、双路径预处理流程、模型架构设计、优化器配置、性能评估及可解释性验证。所有实验均在 Python 3.10.12 环境下运行，使用 Keras 2.13.1 版本（TensorFlow 作为后端）、OpenCV 4.8.0 版本以及 Matplotlib 3.8.0 版本完成。
数据集准备
本研究使用了来自 Kaggle 的 BR35H 脑肿瘤 MRI 数据集21，该数据集包含 3,000 张图像，平均分为存在肿瘤（"yes"）和无肿瘤（"no"）两类。所有图像均使用 OpenCV 的 cv2.resize 函数调整为 128 × 128 像素，以统一各实验中的输入尺寸。通过 Scikit-learn 的 train_test_split 进行分层抽样，确保训练集（80%）和验证集（20%）中各类别的分布均衡，从而在每一轮交叉验证中保持类别分布的一致性。
除了BR35H公开数据集外，我们还使用从Ultralytics脑肿瘤数据集（https://doc....
访问受限。请登录或开始试用以查看此内容。
Adam 优化器 - 基线预处理：
图 2 展示了使用 Adam 优化器并结合基线预处理的脑肿瘤分类模型的性能。混淆矩阵显示肿瘤与非肿瘤样本之间几乎完全分离，在 600 个样本中仅有 8 个误分类。相应的分类报告进一步证实了该结果，两个类别的精确率、召回率和 F1 分数均达到或超过 0.98。
使用传统预处理的 Adam 优化器：
图 3 展示了使用 Adam 优化器和传统预处理方法训练的 CNN 模型的分类性能。该模型的整体准确率达到 95.83%，两个类别的精确率和召回率均达到 0.96，表现均衡。混淆矩阵显示，模型在肿瘤阳性与肿瘤阴性样本之间具有良好的区分能力，343 个非肿瘤样本中正确识别出 333 个，257 个肿瘤样本中正确识别出 242 个。误分类样本极少，仅有 25 个样本被错误标注。
采用基线.......
访问受限。请登录或开始试用以查看此内容。
本研究中基于卷积神经网络的脑肿瘤分类成功主要依赖于两个实验方案要素：预处理设计和优化器选择。基础预处理——仅包含图像缩放——保留了原始像素强度和空间结构，使模型能够学习到具有临床相关性的特征。相比之下，传统预处理方法（如灰度转换、高斯模糊、阈值分割和形态学操作）引入了特征抽象，往往会抑制细微的肿瘤线索，导致性能下降和可解释性降低。
优化器的选择进一步影响了收敛速度和泛化能力。Adam 和 RMSProp 作为两种自适应优化器，在输入数据干净的条件下表现出快速收敛和稳定的性能。SGD 虽然收敛较慢，但在与基线预处理方法结合时，展现出较强的泛化能力和极小的过拟合现象。这些结果凸显了在医学影像工作流程中，将预处理策略与优化器的动态特性相匹配，对于确保卷积神经网络（CNN）稳健学习的重要性。
如果性能偏离预期结果，可考虑进行以下几项方案调整：（i）预处理调优：过度的滤波或阈值化处理可能模糊肿瘤边界。降低形态学操作的强度或恢复至基础预处理步骤，可恢复空间保真度。（ii）优化器重新配置：若收敛不稳定，可从 RMSProp 切换为 Adam.......
访问受限。请登录或开始试用以查看此内容。
作者无任何利益冲突需要披露。
作者们衷心感谢GITAM大学、领导团队、院长以及维萨卡帕特南校区计算机科学与工程系主任对科研与开发工作持续的支持与鼓励。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| API 封装器 | Keras | 2.13.1(RRID:SCR_016345) | 用于卷积神经网络架构与训练的高级 API |
| 归因工具 | Grad-CAM 实现 | 自定义（通过 Keras） | 卷积神经网络注意力的可视化解释 |
| BR35H 脑肿瘤 MRI 数据集 | Kaggle | https://www.kaggle.com/ahmedhamada0/brain-tumor-detection | 用于分类的带标签 MRI 图像来源 |
| 脑肿瘤数据集 | Ultralytics | https://docs.ultralytics.com/datasets/detect/brain-tumor/ | |
| 深度学习库 | TensorFlow | 2.15.0 (RRID:SCR_018345) | 卷积神经网络模型实现的后端支持 |
| 图像处理 | OpenCV | 4.8.0 (RRID:SCR_015526) | 预处理：灰度化、模糊、阈值处理、形态学操作 |
| 编程语言 | Python | 3.10.12 (RRID:SCR_008394) | 所有实验的执行环境 |
| 可视化工具 | Matplotlib | 3.8.0 (RRID:SCR_008624) | 绘制损失曲线和 Grad-CAM 叠加图像 |
访问受限。请登录或开始试用以查看此内容。