Augmented Multimodal Fusion voor geoptimaliseerde detectie van hersentumoren: evaluatie en vergelijkende analyse

Samenvatting

Deze studie stelt een geoptimaliseerde detectiemethode voor hersentumoren voor door vijf vooraf getrainde modellen te integreren en te evalueren. De aanpak bereikt verbeterde nauwkeurigheid en generalisatie door gebruik te maken van geavanceerde beeldvergroting, hyperparameterafstemming en verschillende optimizers, en levert een belangrijke bijdrage aan medische beeldvorming voor de diagnose van hersentumoren.

Samenvatting

Hersentumoren vormen een aanzienlijke medische uitdaging, waardoor nauwkeurige en efficiënte detectiemethoden nodig zijn voor tijdige interventie. Dit werk integreert verschillende voorgetrainde basismodellen, zoals VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50, om een nieuwe methode voor de diagnose van hersentumoren voor te stellen. Er is een gestroomlijnde en gestandaardiseerde techniek voorgesteld om verschillende basismodellen te accommoderen, waardoor consistentie en onderhoudsgemak worden gegarandeerd en modelvergelijking wordt vergemakkelijkt. Om de verscheidenheid van de trainingsdataset te vergroten en de modelgeneralisatie te verbeteren, worden opmerkelijke methoden voor beeldvergroting gebruikt, zoals het aanpassen van helderheid en contrast. Verder is een effectieve trainingspijplijn met behulp van datageneratoren ontworpen om grote datasets efficiënt te verwerken en tegelijkertijd rekenkracht te besparen.

De studie voerde een grondige analyse uit met behulp van drie verschillende optimizers (Adam, Stochastic Gradient Descent en Adamax) die werden toegepast op elk vooraf getraind basismodel, met uitgebreide aanpassingen van hyperparameters. Metrieken zoals herinnering, nauwkeurigheid, precisie, F1-score en verwarringsmatrices worden gebruikt om de prestaties van het model te evalueren, waardoor een uitgebreid inzicht wordt verkregen in het gedrag van het model. Een systematische vergelijking van de prestaties van elk model zorgde voor een diepgaand onderzoek van de sterke en zwakke punten, waardoor een geïnformeerde modelselectie en besluitvorming voor toepassingen voor het detecteren van hersentumoren werd vergemakkelijkt. MobileNetV2 behaalde de hoogste algehele prestatie met een nauwkeurigheid van 96%, precisie van 96%, recall van 94% en een F1-score van 95% met behulp van de Adam-optimizer. DenseNet121 en VGG16 presteerden ook goed en behaalden een nauwkeurigheid van respectievelijk 95% en 94%. InceptionV3 liet een iets lagere prestatie zien in vergelijking met de best presterende modellen, met een nauwkeurigheid van 93%, precisie van 93%, recall van 91% en een F1-score van 92%. ResNet50 liet relatief lagere prestaties zien met een nauwkeurigheid van 77%, precisie van 78%, recall van 76% en een F1-score van 76%. Deze statistieken tonen de robuustheid en werkzaamheid aan van de voorgestelde methode voor de detectie van hersentumoren.

Inleiding

Hersentumoren, goedaardig of kwaadaardig, vormen een aanzienlijke bedreiging voor de gezondheid en het welzijn van de mens. De tijdige detectie van deze tumoren speelt een cruciale rol bij het bepalen van de patiëntresultaten, waardoor het een prioriteit is op medisch gebied ^1,39 (zie ook Aanvullende Tabel S1). Het in een vroeg stadium opsporen van hersentumoren is niet alleen een belangrijke medische doelstelling, maar ook een cruciale levensader voor patiënten. Door tijdige interventie en toegang tot effectieve behandelingsopties mogelijk te maken, bevordert het een betere prognose, geeft het patiënten meer mogelijkheden en vermindert het de algehele last van deze uitdagende aandoening⁴⁰. Continue monitoring van de ziekteprogressie, gefaciliteerd door technieken zoals MRI, is essentieel voor het aanpassen van behandelstrategieën ^1,3 en het detecteren van mogelijke complicaties. Vroege opsporing verbetert niet alleen de overleving van de patiënt, maar verbetert ook de kwaliteit van leven door hoop te bieden op succesvolle resultaten en een betere prognose op lange termijn.

Deep learning speelt een belangrijke rol bij de detectie van hersentumoren en biedt ongeëvenaarde mogelijkheden voor het analyseren van ingewikkelde medische beeldvormingsgegevens ^4,5,6 met opmerkelijke precisie en snelheid. Deep learning-modellen, met name die welke gebruikmaken van geavanceerde neurale netwerkstructuren zoals convolutionele neurale netwerken (CNN's), zijn zeer effectief in het autonoom identificeren van ingewikkelde patronen en kenmerken uit een verscheidenheid aan medische beeldvormingsmodaliteiten, zoals computertomografie (CT), positronemissietomografie (PET) en MRI-scans ^7,41.

Een van de belangrijkste voordelen van deep learning bij het identificeren van hersentumoren is het vermogen om ze in een zeer vroeg stadium te detecteren 8,9,10,11. Door subtiele afwijkingen in medische beelden te onderscheiden die aan menselijke observatie kunnen ontsnappen, stellen deep learning-algoritmen zorgverleners in staat om de behandeling snel te starten, waardoor tumorprogressie wordt voorkomen 12,15,17,18,19,20 en de patiëntresultaten worden verbeterd ^15,17. Dit vermogen is van cruciaal belang voor het begeleiden van behandelbeslissingen en het voorspellen van de prognose van de patiënt 24,25,26. Deep learning-modellen, getraind op uitgebreide datasets ^27,28,29 kunnen ingewikkelde relaties tussen beeldvormingskenmerken en tumorpathologie begrijpen en nauwkeurige en betrouwbare diagnostische inzichten bieden 30,31,32,33.

Recente ontwikkelingen op het gebied van deep learning hebben op transformatoren gebaseerde architecturen geïntroduceerd, oorspronkelijk ontworpen voor natuurlijke taalverwerking, als baanbrekende hulpmiddelen in medische beeldvorming. In tegenstelling tot traditionele CNN's maken transformatoren gebruik van zelfaandachtsmechanismen om wereldwijde gegevensafhankelijkheden vast te leggen, waardoor ze bijzonder effectief zijn voor complexe taken zoals tumorsegmentatie en -classificatie. Studies zoals die van Saeed et ^al.41 en Mehmood et ^al.38 hebben het succes benadrukt van transformator-verbeterde modellen zoals DeepLabV3+ en TransResUNet, die de segmentatienauwkeurigheid en verklaarbaarheid bij de detectie van hersentumoren aanzienlijk hebben verbeterd. Deze modellen bieden een beter begrip van medische beelden, zoals aangetoond door Xuanzhi et ^al.40, waar transformatoren werden toegepast voor voorspellende modellering.

Hun vermogen om ingewikkelde ruimtelijke relaties in kaart te brengen met minder afhankelijkheid van grote, gelabelde datasets transformeert het veld en maakt de weg vrij voor meer adaptieve en schaalbare diagnostische oplossingen. Dit markeert een belangrijke verschuiving in medische beeldvorming, waarbij de nadruk ligt op precisie en efficiëntie bij detectie en analyse. Het detecteren van hersentumoren met behulp van deep learning is naar voren gekomen als een belangrijk aandachtsgebied in medische beeldvorming, gedreven door vooruitgang in transfer learning en optimalisatiemethoden¹. Ondanks deze vooruitgang blijven er uitdagingen, zoals variabiliteit in modelprestaties, onvoldoende verkenning van optimalisatietechnieken en beperkte beoordeling van strategieën voor het afstemmen van hyperparameters en gegevensvergroting.

Transfer Learning in medische beeldvorming

Optimalisatie technieken: Bestaande optimalisatie-algoritmen worstelen vaak met het balanceren van rekenefficiëntie en convergentiesnelheid, vooral in hoogdimensionale ruimtes. Er is behoefte aan adaptieve en hybride optimalisatiemethoden die zich dynamisch kunnen aanpassen aan verschillende probleemlandschappen.

Gegevensvergroting en voorverwerking: De huidige technieken voor gegevensvergroting kunnen onrealistische transformaties introduceren die niet goed kunnen worden gegeneraliseerd naar scenario's uit de echte wereld. Er is meer onderzoek nodig naar adaptieve augmentatiestrategieën die rekening houden met domeinspecifieke beperkingen en de gegevensintegriteit behouden.

Model vergelijkingen: De meeste modelvergelijkingsstudies richten zich op benchmarkdatasets, die mogelijk niet de complexiteit van de echte wereld weerspiegelen. Er is een onderzoekskloof bij het evalueren van modellen in diverse, luidruchtige en onevenwichtige datasets om hun ware generalisatiemogelijkheden te begrijpen.

Functie-extractie via deep learning-modellen: Hoewel deep learning-modellen automatisch functies kunnen extraheren, zijn ze vaak niet interpreteerbaar. Er is meer werk nodig aan verklaarbare methoden voor het extraheren van kenmerken die inzicht geven in de geleerde representaties.

Optimalisatie strategieën: Veel optimalisatiestrategieën maken niet volledig gebruik van domeinspecifieke kennis, wat leidt tot suboptimale oplossingen. Er is onderzoek nodig naar het opnemen van domeinbewuste heuristieken in optimalisatiekaders voor betere prestaties.

Uitdagingen bij data-augmentatie: Gegevensvergroting kan leiden tot overbodige of misleidende informatie, wat een negatieve invloed heeft op de modelprestaties. Het aanpakken van de afweging tussen augmentatiediversiteit en datarealisme blijft een open uitdaging in deep learning-toepassingen.

Een kritische analyse van het experimentele werk dat in het voorgestelde onderzoek is gedaan, brengt opmerkelijke sterke en zwakke punten aan het licht. Aan de positieve kant zijn transfer learning-modellen zeer effectief gebleken bij het extraheren van complexe functies, waardoor ze kunnen uitblinken in taken zoals het opsporen van hersentumoren. Bovendien hebben geavanceerde optimalisatietechnieken, waaronder de veelgebruikte Adam-optimizer en nieuwere methoden, aangetoond dat ze in staat zijn om de convergentiepercentages en de algehele modelprestaties te verbeteren.

Er blijven echter bepaalde beperkingen bestaan. Er is weinig onderzoek gedaan naar de interacties tussen optimizers en modellen, wat diepere inzichten zou kunnen bieden in het bereiken van optimale prestaties. Bovendien is onvoldoende aandacht voor het afstemmen van hyperparameters geïdentificeerd als een nadeel, omdat het een cruciale rol speelt bij het waarborgen van reproduceerbaarheid en consistentie in verschillende toepassingen.

Dit artikel begint met fundamenteel werk op het gebied van functie-extractie en overdrachtsleren, gaat verder met geavanceerde gebieden zoals optimalisatie en vergroting, en eindigt met het identificeren van belangrijke hiaten in het onderzoek. In de bestaande literatuur worden verschillende belangrijke lacunes belicht. Een belangrijk probleem is de inconsistente benchmarking van transfer learning-modellen, waarbij ze niet uniform worden geëvalueerd over verschillende optimizers, zoals opgemerkt in studies ^6,36. Een andere lacune ligt in de beperkte verkenning van hyperparameterafstemming en de cruciale rol ervan bij het beïnvloeden van modelprestaties, zoals geïdentificeerd door onderzoek^14,37. Bovendien is er een gebrek aan voldoende rechtvaardiging voor de augmentatiestrategieën die in verschillende studies worden gebruikt, met name wat betreft hun impact op de robuustheid en generalisatie van het model, zoals waargenomen in werken^15,23. Deze lacunes wijzen op de noodzaak van meer gestandaardiseerde en rigoureuze benaderingen in toekomstig onderzoek.

Om deze hiaten aan te pakken, onderscheidt deze studie zich door de uitgebreide evaluatie van vijf vooraf getrainde modellen - VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50 - in combinatie met drie optimizers (Adam, SGD, Adamax). Door hiaten in benchmarking aan te pakken en interacties tussen optimalisator en model te onderzoeken, biedt het een grondige analyse van de prestatiedynamiek. Rigoureuze hyperparameterafstemming met behulp van rasterzoekopdrachten verfijnt belangrijke parameters zoals leerpercentages, batchgroottes en uitvalpercentages, wat leidt tot verbeterde modelprestaties.

De studie introduceert ook aangepaste augmentatiestrategieën, waaronder helderheids- en contrastaanpassingen, om de modelgeneralisatie te verbeteren. Een gestandaardiseerd evaluatiekader met behulp van belangrijke statistieken zorgt voor een eerlijke en consistente vergelijking tussen modellen. MobileNetV2 komt met name naar voren als het best presterende model voor de detectie van hersentumoren, dat bruikbare inzichten biedt en een nieuwe maatstaf zet voor reproduceerbaarheid en efficiëntie in medisch beeldvormingsonderzoek.

De vooraf getrainde modellen die in het onderzoek waren opgenomen, waren VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50, omdat ze uitvoerig zijn getest en effectief zijn gebleken bij taken zoals beeldclassificatie, terwijl ze hun unieke architecturale sterke punten voor diversiteitsvertegenwoordiging toepassen. VGG16 biedt een eenvoudig maar krachtig raamwerk voor het extraheren van hiërarchische functies, terwijl mobiel NetV2 lichtgewicht is met architecturen die geschikt zijn voor omgevingen met beperkte middelen. DenseNet121 werkt aan het verbeteren van de efficiëntie door hergebruik van functies met een dichte verbinding. Het maakt gebruik van de Inception-modules die functies op verschillende schalen vastleggen met behulp van InceptionV3. Resnet50, samen met de resterende verbindingen, vermijdt verdwijnende gradiënten perfect. Alle drie de optimizers werden gekozen voor SGD om het te benchmarken met optimalisatie, Adam, vanwege de hybridisatie van momentum samen met adaptieve leersnelheid, waardoor het snelle convergentie krijgt, en Adamax dat vrij robuust is geweest, vooral met schaarse gradiënten.

Deze studie levert een unieke bijdrage aan het veld door de evaluatie van meerdere architecturen, optimizer-analyse en hyperparameterafstemming te combineren binnen één uitgebreid framework, waardoor de bestaande kennisbasis aanzienlijk wordt verbeterd. De systematische methodologieën en gedetailleerde rapportage zorgen voor reproduceerbaarheid, waardoor andere onderzoekers de bevindingen kunnen repliceren of gebruiken als basis voor verdere vooruitgang. Bovendien is het praktische belang van dit werk duidelijk, aangezien de resultaten ervan rechtstreeks als leidraad kunnen dienen voor de ontwikkeling van toekomstige medische beeldvormingssystemen, waardoor zowel de nauwkeurigheid als de efficiëntie voor klinische toepassingen worden verbeterd.

Het werk dat in dit onderzoek is gedaan, richt zich op de ontwikkeling van een gestroomlijnde en gestandaardiseerde codebase die plaats biedt aan verschillende basismodellen, zorgt voor consistentie in implementatie, onderhoudsgemak en het vergemakkelijken van modelvergelijking. Verder wordt een nieuwe benadering geïntroduceerd door vooraf getrainde basismodellen te integreren, waaronder VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50, om gebruik te maken van hun unieke architecturen voor de detectie van hersentumoren. Het werk omvat methoden voor beeldvergroting, waaronder helderheids- en contrastaanpassingen, om de diversiteit van de trainingsdataset te vergroten en de modelgeneralisatie te verbeteren. Het doel van dit werk is het ontwerpen en implementeren van een effectieve trainingspijplijn die gebruik maakt van datageneratoren om enorme datasets soepel te verwerken en modellen effectief te trainen met behoud van rekenkracht. Een grondige analyse van het voorgestelde werk wordt gedaan met behulp van drie verschillende optimizers: Adam, Stochastic Gradient Descent (SGD) en Adamax toegepast op vijf verschillende vooraf getrainde basismodellen (VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50). Ten slotte wordt een diepgaande beoordeling van de prestaties van het model uitgevoerd door belangrijke statistieken zoals herinnering, nauwkeurigheid, precisie, F1-score en verwarringsmatrices te onderzoeken om een uitgebreid inzicht te krijgen in het gedrag van het model.

Protocol

Figuur 7 illustreert een schematisch blokdiagram dat de algemene methodologie van de voorgestelde aanpak weergeeft. In de voorgestelde methode worden MRI-scanbeelden van hersentumoren voorbewerkt met behulp van twee populaire technieken: normalisatie en schaalvergroting. Enkele populaire vooraf getrainde overdrachtsleermodellen zoals VGG16, MobileNetV2, DenseNet121, ResNet50 en InceptionV3 worden in dit werk gebruikt. Na de training worden de modellen getest op hypothetische gevallen en wordt een uitgebreide analyse uitgevoerd om de prestaties van de modellen te controleren op basis van verschillende prestatiestatistieken zoals nauwkeurigheid, herinnering, precisie en F1-score. De voorgestelde techniek maakt gebruik van deep learning om de efficiëntie van de classificatie van hersentumoren en de nauwkeurigheid ervan te verbeteren, wat het medische diagnoseproces in de toekomst zou kunnen verbeteren.

1. Verwerving van datasets

1. Verkrijg de dataset: Download de hersentumor MRI-scandataset van Kaggle, bestaande uit 7023 afbeeldingen gecategoriseerd in vier klassen: hypofyse, geen-tumor, meningeoom en glioom.
2. De dataset verdelen: Splits de dataset op in een trainingsset (5.712 afbeeldingen) en een testset (1.311 afbeeldingen).
   OPMERKING: Zorg ervoor dat de klasverdeling evenwichtig is over trainings- en testsets voor onbevooroordeelde modelevaluatie. Figuur 8 illustreert de visuele verdeling van afbeeldingen over de verschillende categorieën binnen de trainingsdataset. Enkele voorbeelddatasets van MRI-beelden uit vier verschillende klassen zijn te zien in figuur 9.

2. Voorverwerking van gegevens

1. Transformatie van het beeld:
   1. Converteer elk MRI-beeld naar een numerieke weergave met behulp van de Python Imaging Library (PIL).
      1. Zorg ervoor dat PIL (kussen) en numpy zijn geïnstalleerd.
      2. Open de MRI-scan met behulp van PIL.
      3. Converteer de afbeelding indien nodig naar grijswaarden om de verwerking te vereenvoudigen.
      4. Converteren naar NumPy Array - Transformeer de afbeelding in een numeriek formaat.
2. Uitbreiding van gegevens:
   1. Helderheidsaanpassing: Gebruik de functie ImageEnhance.Brightness om de helderheid van het beeld willekeurig te wijzigen met een factor van 0,8 tot 1,2.
   2. Contrastaanpassing: Pas de functie ImageEnhance.Contrast toe om het beeldcontrast willekeurig te wijzigen binnen het bereik van 0,8 tot 1,2.
      OPMERKING: Deze augmentatietechnieken worden geïmplementeerd om variaties in beeldvormingsomstandigheden in de echte wereld te simuleren, waardoor de robuustheid van het model wordt verbeterd.
3. Normalisatie: Converteer de uitgebreide afbeeldingen naar NumPy-arrays met behulp van de PIL-bibliotheek om de afbeelding te laden en vergroting toe te passen (bijv. spiegelen, rotatie). Transformeer de uitgebreide afbeelding verder in een numerieke weergave (img_array = np.array(img_aug). Afhankelijk van het ML-model kunt u de matrix opnieuw vormen of afvlakken (img_vector = img_array.flatten()). Normaliseer ze ten slotte door pixelwaarden te delen door 255.0 om ervoor te zorgen dat ze binnen het bereik vallen [0, 1].
   OPMERKING: Deze stap zorgt voor consistente invoer voor het model, waardoor stabiele training en prestaties worden bevorderd.

3. Transfer learning voor tumorclassificatie

1. Modelselectie: Selecteer vooraf getrainde modellen, waaronder VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50 voor overdracht van leren.
2. Functie-extractie: Gebruik vooraf getrainde modellen als functie-extractors door de meeste van hun lagen in te stellen als niet-trainbaar. Raadpleeg de onderstaande coderegel om de lagen in te stellen als niet-trainbaar. Voor laag in base_model.layers[:15]:
   layer.trainable = Onwaar
   OPMERKING: Deze stap maakt gebruik van de hiërarchische representaties die zijn geleerd van grote, diverse datasets voor een betere generalisatie van de medische doeldataset.
3. Finetuning: Deblokkeer de laatste drie lagen van elk voorgetraind model om ze aan te passen aan de specifieke taak van het detecteren van hersentumoren met behulp van het onderstaande codefragment:voor laag in base_model.layers[-3:]: layer.trainable = Waar
   OPMERKING: Door te finetunen kan het model zich concentreren op kenmerken die relevant zijn voor de detectie van hersenafwijkingen.

4. Deep learning-modellen voor tumorclassificatie

1. Gestandaardiseerde modelstructuur:
   1. Voeg een afvlaklaag toe aan elk model om hiërarchische kenmerken om te zetten in een eendimensionale matrix Voeg na het afvlakken dichte lagen toe voor classificatie- of regressietaken.
   2. Voeg dropout-lagen toe (met snelheden van 0,3 en 0,2) om overfitting te verminderen en generalisatie te verbeteren.
2. Dichte lagen:
   1. Voeg een dichte laag met 128 neuronen toe met behulp van Rectified Linear Unit (ReLU) activering.
   2. Voeg een laatste dichte laag toe met softmax-activering voor classificatie van hersentumoren met meerdere klassen.
      OPMERKING: Deze uniforme structuur in alle modellen zorgt voor een consistente evaluatie en vergelijking.

5. Training en optimalisatie

1. Invoerspecificaties: Standaardiseer de invoerafmetingen van afbeeldingen naar (224, 224, 3) voor alle modellen. Stel de parameter include_top in op Onwaar, sluit dicht verbonden classificatielagen uit en gebruik de modellen uitsluitend als functie-extractors.
2. Initialisatie van gewicht: gebruik imagenetgewichten voor initialisatie in alle modellen om eerlijke en zinvolle vergelijkingen te bevorderen.
3. Compilatie: Compileer alle modellen met behulp van de functie sparse_categorical_crossentropy verlies en sparse_categorical_accuracy metriek.
   OPMERKING: De geselecteerde verliesfunctie is geschikt voor classificatie met meerdere klassen wanneer labels gehele getallen zijn.
4. Optimalisatie strategie:
   1. Batchgroottes: Test batchgroottes van 16, 32 en 64 om de optimale grootte voor trainingssnelheid en prestaties te bepalen.
   2. Leerfrequenties: Gebruik een leersnelheid van 0,0001 voor de Adam-optimizer en 0,001 voor SGD- en Adamax-optimizers.
   3. Uitvalpercentages: Evalueer uitvalpercentages van 0,2, 0,3 en 0,5 om overfitting te voorkomen.
      OPMERKING: Deze parameters zijn voor elk model afgestemd om optimale prestaties te garanderen.
5. Trainingsparameters: Stel een uniforme batchgrootte van 20 in en train gedurende 50 epochs op alle modellen.
   Implementeer vroegtijdig stoppen op basis van het aantal epochs om overfitting en onnodige rekenbelasting te voorkomen.
   OPMERKING: Deze gestandaardiseerde procedure maakt een eerlijke vergelijking van de modelprestaties mogelijk.

6. Evaluatie van het model

1. Prestatiestatistieken: Evalueer elk model met behulp van statistieken zoals nauwkeurigheid, precisie, recall en F1-score.
2. Verwarringsmatrices: Construeer verwarringsmatrices voor een gedetailleerde analyse van misclassificaties in verschillende klassen.
   OPMERKING: Deze evaluaties geven inzicht in de sterke en zwakke punten van elk model en leiden tot verdere verbeteringen.

Resultaten

De prestatie-evaluatie van elk van de vijf modellen - VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50 - omvat een gedetailleerde analyse met nauwkeurigheidscurves, verwarringsmatrices en classificatierapporten. Deze statistieken en visualisaties zijn belangrijke hulpmiddelen voor het evalueren van de vaardigheid van de modellen in het detecteren van hersentumoren. De leervoortgang van de modellen over tijdperken heen wordt dynamisch weergegeven d...

Discussie

Model prestaties

Het effectieve gebruik van deep learning-modellen (voorgetraind) is de belangrijkste reden voor de sterke prestaties bij het identificeren van hersentumoren. Een combinatie van prominente architecturen die worden gebruikt om de prestaties te evalueren , zijn VGG16, MobileNetV2, DenseNet121, InceptionV3 en ResNet50. Deze modellen hebben indrukwekkende mogelijkheden om functies te extraheren sin...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
GPU Infrastructure en Jupyter Notebook	Kaggle (Online Platform Provider)	Tesla-P100	GPU-infrastructuur geleverd door de Jupyter Notebook-service van Kaggle’s, gebruikmakend van de nieuwste NVIDIA Tesla P100 GPU
Intel Core i5-8350U	Intel	i5-8350U	Intel Core i5-8350U CPU @ 1.70GHz (1.90 GHz max) voor lokale verwerking
RAM	Standaard	8GB_RAM	8 GB RAM voor gegevensverwerking
Besturingssysteem	Microsoft	Windows_64	64-bits Windows OS voor lokale verwerking
Python Libraries	Python Community	N/A	NumPy, scikit-learn, PIL, TensorFlow 2.12, Keras 2.12