Augmented Multimodal Fusion zur optimierten Hirntumorerkennung: Evaluierung und vergleichende Analyse

Zusammenfassung

Diese Studie schlägt eine optimierte Methode zur Erkennung von Hirntumoren vor, indem fünf vortrainierte Modelle integriert und evaluiert werden. Der Ansatz erreicht eine verbesserte Genauigkeit und Generalisierung durch den Einsatz fortschrittlicher Bilderweiterung, Hyperparameter-Tuning und verschiedener Optimierer und bietet damit einen bedeutenden Beitrag zur medizinischen Bildgebung für die Diagnose von Hirntumoren.

Zusammenfassung

Hirntumoren stellen eine große medizinische Herausforderung dar, die genaue und effiziente Nachweismethoden für ein rechtzeitiges Eingreifen erfordert. Diese Arbeit integriert mehrere vortrainierte Basismodelle wie VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50, um eine neuartige Methode für die Hirntumordiagnose vorzuschlagen. Es wurde eine optimierte und standardisierte Technik vorgeschlagen, um verschiedene Basismodelle zu berücksichtigen, Konsistenz und Wartungsfreundlichkeit zu gewährleisten und den Modellvergleich zu erleichtern. Um die Vielfalt des Trainingsdatensatzes zu vergrößern und die Modellgeneralisierung zu verbessern, werden bemerkenswerte Bilderweiterungsmethoden wie das Anpassen von Helligkeit und Kontrast verwendet. Darüber hinaus ist eine effektive Trainingspipeline mit Datengeneratoren darauf ausgelegt, große Datensätze effizient zu verarbeiten und gleichzeitig Rechenleistung zu sparen.

Die Studie führte eine gründliche Analyse mit drei verschiedenen Optimierern (Adam, Stochastic Gradient Descent und Adamax) durch, die auf jedes vortrainierte Basismodell angewendet wurden, mit umfassenden Anpassungen der Hyperparameter. Metriken wie Abruf, Genauigkeit, Präzision, F1-Bewertung und Konfusionsmatrizen werden verwendet, um die Leistung des Modells zu bewerten und ein umfassendes Verständnis des Modellverhaltens zu vermitteln. Ein systematischer Vergleich der Leistung jedes Modells ermöglichte eine eingehende Untersuchung der Stärken und Schwächen und erleichterte so eine fundierte Modellauswahl und Entscheidungsfindung für Anwendungen zur Hirntumorerkennung. MobileNetV2 erreichte mit dem Adam-Optimierer die höchste Gesamtleistung mit einer Genauigkeit von 96 %, einer Genauigkeit von 96 %, einem Recall von 94 % und einem F1-Score von 95 %. DenseNet121 und VGG16 schnitten ebenfalls gut ab und erreichten Genauigkeiten von 95 % bzw. 94 %. InceptionV3 zeigte im Vergleich zu den leistungsstärksten Modellen eine etwas geringere Leistung, mit einer Genauigkeit von 93 %, einer Genauigkeit von 93 %, einem Abruf von 91 % und einem F1-Score von 92 %. ResNet50 zeigte mit einer Genauigkeit von 77 %, einer Genauigkeit von 78 %, einem Recall von 76 % und einem F1-Score von 76 % eine relativ geringere Leistung. Diese Metriken zeigen die Robustheit und Wirksamkeit der vorgeschlagenen Methode zur Erkennung von Hirntumoren.

Einleitung

Hirntumoren, ob gutartig oder bösartig, stellen eine erhebliche Bedrohung für die menschliche Gesundheit und das Wohlbefinden dar. Die rechtzeitige Erkennung dieser Tumoren spielt eine zentrale Rolle bei der Bestimmung des Patientenergebnisses und ist daher eine Priorität im medizinischen Bereich ^1,39 (siehe auch Ergänzende Tabelle S1). Die frühzeitige Erkennung von Hirntumoren ist nicht nur ein wichtiges medizinisches Ziel, sondern auch ein wichtiger Rettungsanker für Patienten. Durch die Ermöglichung eines rechtzeitigen Eingreifens und des Zugangs zu wirksamen Behandlungsoptionen fördert sie eine verbesserte Prognose, stärkt die Patienten und reduziert die Gesamtbelastung durch diese schwierige Erkrankung⁴⁰. Eine kontinuierliche Überwachung des Krankheitsverlaufs, die durch Techniken wie die MRT erleichtert wird, ist unerlässlich, um die Behandlungsstrategien^{anzupassen 1,3} und mögliche Komplikationen zu erkennen. Die Früherkennung verbessert nicht nur das Überleben der Patienten, sondern auch die Lebensqualität, indem sie Hoffnung auf erfolgreiche Ergebnisse und eine bessere Langzeitprognose bietet.

Deep Learning ist maßgeblich an der Erkennung von Hirntumoren beteiligt und bietet beispiellose Möglichkeiten zur Analyse komplexer medizinischer Bildgebungsdaten ^4,5,6 mit bemerkenswerter Präzision und Geschwindigkeit. Deep-Learning-Modelle, insbesondere solche, die fortschrittliche neuronale Netzwerkstrukturen wie Convolutional Neural Networks (CNNs) verwenden, sind sehr effektiv bei der autonomen Identifizierung komplizierter Muster und Merkmale aus einer Vielzahl von medizinischen Bildgebungsmodalitäten wie Computertomographie (CT), Positronen-Emissions-Tomographie (PET) und MRT-Scans ^7,41.

Einer der Hauptvorteile von Deep Learning bei der Identifizierung von Hirntumoren ist seine Fähigkeit, sie in den sehr frühen Stadien zu erkennen 8,9,10,11. Durch die Erkennung subtiler Anomalien in medizinischen Bildern, die sich der menschlichen Beobachtung entziehen könnten, ermöglichen Deep-Learning-Algorithmen Gesundheitsdienstleistern, die Behandlung umgehend einzuleiten, wodurch das Fortschreiten des Tumors verhindert wird 12,15,17,18,19,20 und die Patientenergebnisse verbessert ^{werden 15,17}. Diese Fähigkeit ist entscheidend für die Steuerung von Behandlungsentscheidungen und die Vorhersage der Patientenprognose 24,25,26. Deep-Learning-Modelle, die auf umfangreichen Datensätzen trainiert wurden 27,28,29 können komplizierte Beziehungen zwischen Bildgebungsmerkmalen und Tumorpathologie erfassen und so präzise und zuverlässige diagnostische Erkenntnisse liefern 30,31,32,33.

Jüngste Fortschritte im Bereich Deep Learning haben transformatorbasierte Architekturen, die ursprünglich für die Verarbeitung natürlicher Sprache entwickelt wurden, als bahnbrechende Werkzeuge in der medizinischen Bildgebung eingeführt. Im Gegensatz zu herkömmlichen CNNs nutzen Transformatoren Selbstaufmerksamkeitsmechanismen, um globale Datenabhängigkeiten zu erfassen, was sie besonders effektiv für komplexe Aufgaben wie die Segmentierung und Klassifizierung von Tumoren macht. Studien wie die von Saeed et ^al.41 und Mehmood et ^al.38 haben den Erfolg von transformer-verstärkten Modellen wie DeepLabV3+ und TransResUNet hervorgehoben, die die Segmentierungsgenauigkeit und Erklärbarkeit bei der Hirntumorerkennung deutlich verbessert haben. Diese Modelle ermöglichen ein tieferes Verständnis medizinischer Bilder, wie Xuanzhi et ^al.40 zeigten, wo Transformatoren für die Vorhersagemodellierung eingesetzt wurden.

Ihre Fähigkeit, komplizierte räumliche Beziehungen mit geringerer Abhängigkeit von großen, beschrifteten Datensätzen abzubilden, verändert das Feld und ebnet den Weg für anpassungsfähigere und skalierbarere Diagnoselösungen. Dies markiert einen bedeutenden Wandel in der medizinischen Bildgebung, da Präzision und Effizienz bei der Erkennung und Analyse im Vordergrund stehen. Die Erkennung von Hirntumoren mittels Deep Learning hat sich zu einem wichtigen Schwerpunkt in der medizinischen Bildgebung entwickelt, angetrieben durch Fortschritte beim Transferlernen und bei Optimierungsmethoden¹. Trotz dieser Fortschritte gibt es nach wie vor Herausforderungen, wie z. B. die Variabilität der Modellleistung, die unzureichende Erforschung von Optimierungstechniken und die eingeschränkte Bewertung von Hyperparameter-Tuning- und Datenerweiterungsstrategien.

Transfer Learning in der medizinischen Bildgebung

Optimierungstechniken: Bestehende Optimierungsalgorithmen haben oft Schwierigkeiten, Recheneffizienz und Konvergenzgeschwindigkeit in Einklang zu bringen, insbesondere in hochdimensionalen Räumen. Es besteht ein Bedarf an adaptiven und hybriden Optimierungsmethoden, die sich dynamisch an unterschiedliche Problemlandschaften anpassen können.

Datenerweiterung und -vorverarbeitung: Aktuelle Datenerweiterungstechniken können unrealistische Transformationen einführen, die sich nicht gut auf reale Szenarien verallgemeinern lassen. Es besteht weiterer Forschungsbedarf zu adaptiven Augmentationsstrategien, die domänenspezifische Einschränkungen berücksichtigen und die Datenintegrität aufrechterhalten.

Modellvergleiche: Die meisten Modellvergleichsstudien konzentrieren sich auf Benchmark-Datensätze, die möglicherweise nicht die Komplexität der realen Welt widerspiegeln. Es gibt eine Forschungslücke bei der Bewertung von Modellen über vielfältige, verrauschte und unausgewogene Datensätze hinweg, um ihre tatsächlichen Verallgemeinerungsfähigkeiten zu verstehen.

Merkmalsextraktion über Deep-Learning-Modelle: Deep-Learning-Modelle können zwar Merkmale automatisch extrahieren, aber es fehlt ihnen oft an Interpretierbarkeit. Es ist weitere Arbeit an erklärbaren Merkmalsextraktionsmethoden erforderlich, die Einblicke in die gelernten Repräsentationen geben.

Optimierungsstrategien: Viele Optimierungsstrategien nutzen domänenspezifisches Wissen nicht vollständig, was zu suboptimalen Lösungen führt. Es besteht Forschungsbedarf bei der Integration von domänensensitiven Heuristiken in Optimierungsframeworks, um die Leistung zu verbessern.

Herausforderungen bei der Datenerweiterung: Die Datenerweiterung kann zu redundanten oder irreführenden Informationen führen, was sich negativ auf die Modellleistung auswirkt. Die Auseinandersetzung mit dem Kompromiss zwischen Augmentationsvielfalt und Datenrealismus bleibt eine offene Herausforderung bei Deep-Learning-Anwendungen.

Eine kritische Analyse der experimentellen Arbeit, die in der vorgeschlagenen Forschung geleistet wurde, offenbart bemerkenswerte Stärken und Schwächen. Positiv zu vermerken ist, dass sich Transfer-Learning-Modelle als sehr effektiv bei der Extraktion komplexer Merkmale erwiesen haben, so dass sie sich bei Aufgaben wie der Erkennung von Hirntumoren auszeichnen können. Darüber hinaus haben fortschrittliche Optimierungstechniken, einschließlich des weit verbreiteten Adam-Optimierers und neuerer Methoden, ihre Fähigkeit unter Beweis gestellt, die Konvergenzraten und die Gesamtleistung des Modells zu verbessern.

Bestimmte Einschränkungen bestehen jedoch weiterhin. Die Wechselwirkungen zwischen Optimierern und Modellen wurden nur in begrenztem Umfang untersucht, was zu tieferen Einblicken in das Erreichen einer optimalen Leistung führen könnte. Darüber hinaus wurde der unzureichende Fokus auf die Hyperparameter-Abstimmung als Nachteil identifiziert, da sie eine entscheidende Rolle bei der Gewährleistung von Reproduzierbarkeit und Konsistenz über verschiedene Anwendungen hinweg spielt.

Dieses Papier beginnt mit grundlegenden Arbeiten zur Merkmalsextraktion und zum Transferlernen, geht weiter zu fortgeschrittenen Bereichen wie Optimierung und Augmentation und schließt mit der Identifizierung wichtiger Forschungslücken. In der vorhandenen Literatur werden mehrere wichtige Lücken aufgezeigt. Ein wesentliches Problem ist das inkonsistente Benchmarking von Transfer-Learning-Modellen, bei denen sie nicht einheitlich über verschiedene Optimierer hinweg bewertet werden, wie in den Studien ^6,36 festgestellt wurde. Eine weitere Lücke liegt in der begrenzten Erforschung der Hyperparameter-Abstimmung und ihrer entscheidenden Rolle bei der Beeinflussung der Modellleistung, wie in der Forschung festgestellt^{wurde 14,37}. Darüber hinaus fehlt es an ausreichender Begründung für die in verschiedenen Studien verwendeten Augmentationsstrategien, insbesondere hinsichtlich ihres Einflusses auf die Robustheit und Generalisierung des Modells, wie in den Arbeiten^15,23 beobachtet wurde. Diese Lücken deuten darauf hin, dass in der zukünftigen Forschung standardisiertere und strengere Ansätze erforderlich sind.

Um diese Lücken zu schließen, zeichnet sich diese Studie durch eine umfassende Bewertung von fünf vortrainierten Modellen – VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50 – aus, die mit drei Optimierern (Adam, SGD, Adamax) gepaart sind. Durch die Schließung von Lücken im Benchmarking und die Untersuchung von Optimierungs-Modell-Wechselwirkungen bietet es eine gründliche Analyse der Leistungsdynamik. Die rigorose Hyperparameter-Optimierung mithilfe der Rastersuche verfeinert wichtige Parameter wie Lernraten, Batch-Größen und Dropout-Raten, was zu einer verbesserten Modellleistung führt.

Die Studie stellt auch maßgeschneiderte Augmentationsstrategien vor, einschließlich Helligkeits- und Kontrastanpassungen, um die Modellgeneralisierung zu verbessern. Ein standardisierter Bewertungsrahmen anhand von Schlüsselmetriken gewährleistet einen fairen und konsistenten Vergleich über Modelle hinweg. Insbesondere stellt sich MobileNetV2 als das leistungsstärkste Modell für die Erkennung von Hirntumoren heraus, das verwertbare Erkenntnisse liefert und einen neuen Maßstab für Reproduzierbarkeit und Effizienz in der medizinischen Bildgebungsforschung setzt.

Die in die Studie einbezogenen vortrainierten Modelle waren VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50, da sie umfassend getestet wurden und sich bei Aufgaben wie der Bildklassifizierung als effektiv erwiesen haben, während sie ihre einzigartigen architektonischen Stärken für die Darstellung von Vielfalt einsetzen. VGG16 bietet ein einfaches, aber leistungsstarkes Framework zum Extrahieren hierarchischer Merkmale, während mobiles NetV2 mit Architekturen, die für Umgebungen mit begrenzten Ressourcen geeignet sind, schlank ist. DenseNet121 arbeitet daran, die Effizienz durch die Wiederverwendung von Funktionen mit einer dichten Verbindung zu verbessern. Es verwendet die Inception-Module, die Merkmale in verschiedenen Maßstäben mit InceptionV3 erfassen. Resnet50 und die Restanschlüsse vermeiden perfekt das Verschwinden von Steigungen. Alle drei Optimierer wurden für SGD entschieden, um es mit der Optimierung zu vergleichen, Adam aufgrund seiner Hybridisierung von Impuls und adaptiver Lernrate, was ihm eine schnelle Konvergenz verleiht, und Adamax, das sich als recht robust erwiesen hat, insbesondere bei spärlichen Gradienten.

Diese Studie leistet einen einzigartigen Beitrag auf diesem Gebiet, indem sie die Bewertung mehrerer Architekturen, die Analyse von Optimierern und die Optimierung von Hyperparametern in einem einzigen umfassenden Framework kombiniert und so die bestehende Wissensbasis erheblich erweitert. Die systematischen Methoden und die detaillierte Berichterstattung gewährleisten die Reproduzierbarkeit und ermöglichen es anderen Forschern, die Ergebnisse zu replizieren oder als Grundlage für weitere Fortschritte zu nutzen. Darüber hinaus wird die praktische Bedeutung dieser Arbeit deutlich, da ihre Ergebnisse die Entwicklung zukünftiger medizinischer Bildgebungssysteme direkt leiten und Verbesserungen sowohl der Genauigkeit als auch der Effizienz für klinische Anwendungen vorantreiben können.

Die in dieser Forschung geleistete Arbeit konzentriert sich auf die Entwicklung einer optimierten und standardisierten Codebasis, die verschiedene Basismodelle unterstützt, die Konsistenz bei der Implementierung, die Wartungsfreundlichkeit und die Erleichterung des Modellvergleichs gewährleistet. Darüber hinaus wird ein neuartiger Ansatz durch die Integration von vortrainierten Basismodellen, einschließlich VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50, eingeführt, um ihre einzigartigen Architekturen für die Hirntumorerkennung zu nutzen. Die Arbeit umfasst Methoden zur Bilderweiterung, einschließlich Helligkeits- und Kontrastmodifikationen, um die Vielfalt des Trainingsdatensatzes zu erhöhen und die Modellgeneralisierung zu verbessern. Das Ziel dieser Arbeit ist es, eine effektive Trainingspipeline zu entwerfen und zu implementieren, die Datengeneratoren verwendet, um riesige Datensätze reibungslos zu verarbeiten und Modelle effektiv zu trainieren, während die Rechenleistung gespart wird. Die gründliche Analyse der vorgeschlagenen Arbeit erfolgt unter Verwendung von drei verschiedenen Optimierern: Adam, Stochastic Gradient Descent (SGD) und Adamax, angewendet auf fünf verschiedene vortrainierte Basismodelle (VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50). Schließlich wird eine eingehende Bewertung der Leistung des Modells durchgeführt, indem wichtige Metriken wie Erinnerung, Genauigkeit, Präzision, F1-Bewertung und Konfusionsmatrizen untersucht werden, um ein umfassendes Verständnis des Modellverhaltens zu erlangen.

Protokoll

Abbildung 7 zeigt ein schematisches Blockdiagramm, das die Gesamtmethodik des vorgeschlagenen Ansatzes darstellt. Bei der vorgeschlagenen Methode werden MRT-Scanbilder von Hirntumoren mit zwei gängigen Techniken vorverarbeitet: Normalisierung und Skalierung. In dieser Arbeit werden einige beliebte vortrainierte Transfer-Lernmodelle wie VGG16, MobileNetV2, DenseNet121, ResNet50 und InceptionV3 verwendet. Nach dem Training werden die Modelle an hypothetischen Fällen getestet, und es wird eine umfassende Analyse durchgeführt, um die Leistung der Modelle auf der Grundlage verschiedener Leistungsmetriken wie Genauigkeit, Abruf, Präzision und F1-Punktzahl zu überprüfen. Die vorgeschlagene Technik nutzt Deep Learning, um die Effizienz der Klassifizierung von Hirntumoren und ihre Genauigkeit zu verbessern, was den medizinischen Diagnoseprozess in Zukunft verbessern könnte.

1. Erfassung von Datensätzen

1. Erwerben Sie den Datensatz: Laden Sie den Datensatz für Hirntumor-MRT-Scans von Kaggle herunter, der aus 7023 Bildern besteht, die in vier Klassen kategorisiert sind: Hypophyse, kein Tumor, Meningeom und Gliom.
2. Unterteilen des Datasets: Teilen Sie das Dataset in einen Trainingssatz (5.712 Bilder) und einen Testsatz (1.311 Bilder) auf.
   HINWEIS: Stellen Sie sicher, dass die Klassenverteilung über Trainings- und Testsätze hinweg ausgewogen ist, um eine unverzerrte Modellbewertung zu gewährleisten. Abbildung 8 veranschaulicht die visuelle Verteilung von Bildern auf die verschiedenen Kategorien innerhalb des Trainingsdatasets. Einige Beispieldatensätze von MRT-Bildern aus vier verschiedenen Klassen sind in Abbildung 9 zu sehen.

2. Datenvorverarbeitung

1. Bild-Transformation:
   1. Konvertieren Sie jedes MRT-Bild mit der Python Imaging Library (PIL) in eine numerische Darstellung.
      1. Stellen Sie sicher, dass PIL (Pillow) und numpy installiert sind.
      2. Öffnen Sie den MRT-Scan mit PIL.
      3. Konvertieren Sie das Bild bei Bedarf in Graustufen, um die Verarbeitung zu vereinfachen.
      4. In NumPy Array konvertieren - Wandeln Sie das Bild in ein numerisches Format um.
2. Datenerweiterung:
   1. Helligkeitsanpassung: Verwenden Sie die ImageEnhance.Brightness-Funktion , um die Bildhelligkeit zufällig um einen Faktor zwischen 0,8 und 1,2 zu ändern.
   2. Kontrastanpassung: Wenden Sie die ImageEnhance.Contrast-Funktion an, um den Bildkontrast zufällig im Bereich von 0,8 bis 1,2 zu ändern.
      HINWEIS: Diese Augmentationstechniken werden implementiert, um Variationen unter realen Bildgebungsbedingungen zu simulieren und so die Robustheit des Modells zu verbessern.
3. Normalisierung: Konvertieren Sie die erweiterten Bilder in NumPy-Arrays, indem Sie die PIL-Bibliothek verwenden, um das Bild zu laden und Erweiterungen (z. B. Spiegeln, Drehen) anzuwenden. Transformieren Sie außerdem das erweiterte Bild in eine numerische Darstellung (img_array = np.array(img_aug). Je nach ML-Modell wird das Array umgeformt oder abgeflacht (img_vector = img_array.flatten()). Normalisieren Sie sie schließlich, indem Sie die Pixelwerte durch 255,0 dividieren, um sicherzustellen, dass sie innerhalb des Bereichs [0, 1] liegen.
   HINWEIS: Dieser Schritt stellt eine konsistente Eingabe für das Modell sicher und ermöglicht ein stabiles Training und eine stabile Leistung.

3. Transferlernen für die Tumorklassifikation

1. Modellauswahl: Wählen Sie vortrainierte Modelle aus, einschließlich VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50 für das Transferlernen.
2. Merkmalsextraktion: Verwenden Sie vortrainierte Modelle als Merkmalsextraktoren, indem Sie die meisten ihrer Layer als nicht trainierbar festlegen. In der folgenden Codezeile erfahren Sie, wie Sie die Layer als nicht trainierbar festlegen. für layer in base_model.layers[:15]:
   layer.trainable = Falsch
   HINWEIS: In diesem Schritt werden die hierarchischen Darstellungen genutzt, die aus großen, vielfältigen Datensätzen gelernt wurden, um eine bessere Verallgemeinerung auf den medizinischen Zieldatensatz zu ermöglichen.
3. Feinabstimmung: Entsperren Sie die letzten drei Schichten jedes vortrainierten Modells, um sie an die spezifische Aufgabe der Hirntumorerkennung anzupassen, indem Sie den folgenden Codeausschnitt verwenden:for-Schicht in base_model.layers[-3:]: layer.trainable = True
   HINWEIS: Die Feinabstimmung ermöglicht es dem Modell, sich auf Merkmale zu konzentrieren, die für die Erkennung von Hirnanomalien relevant sind.

4. Deep-Learning-Modelle für die Tumorklassifikation

1. Standardisierte Modellstruktur:
   1. Fügen Sie jedem Modell einen Layer vom Typ Glätten hinzu, um hierarchische Features in ein eindimensionales Array umzuwandeln. Fügen Sie nach dem Vereinfachen Layer mit hoher Dichte für Klassifizierungs- oder Regressionsaufgaben hinzu.
   2. Fügen Sie Dropout-Layer (mit Raten von 0,3 und 0,2) hinzu, um eine Überanpassung zu reduzieren und die Generalisierung zu verbessern.
2. Dichte Schichten:
   1. Fügen Sie eine dichte Schicht mit 128 Neuronen hinzu, indem Sie die ReLU-Aktivierung (Rectified Linear Unit) verwenden.
   2. Fügen Sie eine abschließende dichte Schicht mit Softmax-Aktivierung für die Klassifizierung von Hirntumorbildern in mehreren Klassen hinzu.
      HINWEIS: Diese einheitliche Struktur über alle Modelle hinweg gewährleistet eine konsistente Bewertung und einen konsistenten Vergleich.

5. Schulung und Optimierung

1. Eingabespezifikationen: Standardisieren Sie die Eingabeabmessungen von Bildern auf (224, 224, 3) für alle Modelle. Legen Sie den Parameter include_top auf False fest, wobei dicht verbundene Klassifizierungs-Layer ausgeschlossen und die Modelle ausschließlich als Feature-Extraktoren verwendet werden.
2. Gewichtungsinitialisierung: Verwenden Sie imagenet-Gewichtungen für die Initialisierung über alle Modelle hinweg, um faire und aussagekräftige Vergleiche zu fördern.
3. Kompilierung: Kompilieren Sie alle Modelle mit der Verlustfunktion sparse_categorical_crossentropy und sparse_categorical_accuracy Metrik.
   HINWEIS: Die ausgewählte Verlustfunktion eignet sich für die Klassifizierung mehrerer Klassen, wenn Beschriftungen ganze Zahlen sind.
4. Optimierungsstrategie:
   1. Batchgrößen: Testen Sie die Batchgrößen 16, 32 und 64, um die optimale Größe für Trainingsgeschwindigkeit und Leistung zu ermitteln.
   2. Lernraten: Verwenden Sie eine Lernrate von 0,0001 für den Adam-Optimierer und 0,001 für SGD- und Adamax-Optimierer.
   3. Abbruchraten: Werten Sie Abbruchraten von 0,2, 0,3 und 0,5 aus, um eine Überanpassung zu verhindern.
      HINWEIS: Diese Parameter werden für jedes Modell abgestimmt, um eine optimale Leistung zu gewährleisten.
5. Trainingsparameter: Legen Sie eine einheitliche Batch-Größe von 20 fest und trainieren Sie für 50 Epochen über alle Modelle hinweg.
   Implementieren Sie ein frühes Beenden basierend auf der Epochenzählung, um eine Überanpassung und unnötige Rechenlast zu vermeiden.
   HINWEIS: Dieses standardisierte Verfahren ermöglicht einen fairen Vergleich der Modellleistung.

6. Evaluierung des Modells

1. Leistungsmetriken: Bewerten Sie jedes Modell anhand von Metriken wie Genauigkeit, Präzision, Abruf und F1-Bewertung.
2. Konfusionsmatrizen: Erstellen Sie Konfusionsmatrizen für eine detaillierte Analyse von Fehlklassifizierungen über Klassen hinweg.
   HINWEIS: Diese Bewertungen bieten Einblicke in die Stärken und Schwächen der einzelnen Modelle und leiten zu weiteren Verbesserungen.

Ergebnisse

Die Leistungsbewertung jedes der fünf Modelle – VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50 – umfasst eine detaillierte Analyse mit Genauigkeitskurven, Konfusionsmatrizen und Klassifizierungsberichten. Diese Metriken und Visualisierungen sind wichtige Werkzeuge, um die Kompetenz der Modelle bei der Erkennung von Hirntumoren zu bewerten. Der Lernfortschritt der Modelle über Epochen wird dynamisch durch die Genauigkeitskurven dargestellt, die auch Aufschluss über eine mögliche...

Diskussion

Leistung des Modells

Der effektive Einsatz von Deep-Learning-Modellen (vortrainiert) ist der Hauptgrund für die starke Leistung bei der Identifizierung von Hirntumoren. Eine Kombination prominenter Architekturen, die zur Bewertung der Leistung verwendet werden , sind VGG16, MobileNetV2, DenseNet121, InceptionV3 und ResNet50. Diese Modelle verfügen über beeindruckende Fähigkeiten zur Merkmalsextraktion, da sie ...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
GPU-Infrastruktur und Jupyter Notebook	Kaggle (Online Platform Provider)	Tesla-P100 GPU-Infrastruktur	zur Verfügung gestellt von Kaggle' s Jupyter Notebook-Service mit der neuesten NVIDIA Tesla P100 GPU
Intel Core i5-8350U	Intel	i5-8350U	Intel Core i5-8350U CPU @ 1,70 GHz (max. 1,90 GHz) für die lokale Verarbeitung
RAM Standard		8GB_RAM	8 GB RAM für die Datenverarbeitung
Betriebssystem	Microsoft	Windows_64	64-Bit-Betriebssystem Windows für die lokale
Verarbeitung Python-Bibliotheken	Python-Community	N/A	NumPy, scikit-learn, PIL, TensorFlow 2.12, Keras 2.12