Onderzoeksartikel
Deze studie presenteert een lichtgewicht, op aandacht gebaseerd deep learning-framework voor vier-klasse hersentumorclassificatie uit MRI-beelden met transfer learning met MobileNetV2, EfficientNetV1 en Inception-ResNet-V2. Het model bereikt een hoge classificatienauwkeurigheid met verminderde computationele complexiteit, wat klinische beslissingsondersteuningstoepassingen ondersteunt die beperkt zijn aan resource.
Het doel van dit onderzoek is het ontwikkelen van een lichtgewicht maar nauwkeurig deep learning-kader voor het classificeren van hersentumoren in vier categorieën—gliomen, meningeomen, hypofysetumoren en gezond hersenweefsel—met behulp van magnetische resonantiebeeldvorming (MRI)-gegevens. De voorgestelde methodologie combineert transfer learning met drie vooraf getrainde convolutionele neurale netwerkmodellen—MobileNetV2, EfficientNetV1 en Inception-ResNet-V2—geïntegreerd met een aandachtsmechanisme dat het vermogen van het menselijk visuele systeem nabootst om zich te richten op klinisch relevante gebieden van een beeld. Deze aandachtsgerichte aanpak verbetert de tumorlokalisatie terwijl irrelevante achtergrondinformatie wordt onderdrukt. Het kader wordt geëvalueerd op een grote, openbaar beschikbare hersen-MRI-dataset met duizenden gelabelde beelden verspreid over de vier klassen. Standaard preprocessing-, data-augmentatie- en trainingsprotocollen worden gebruikt om eenvoudige replicatie van de voorgestelde methode mogelijk te maken. Experimentele resultaten tonen aan dat EfficientNetV1 de hoogste classificatieprestaties behaalt en een superieure nauwkeurigheid behaalt vergeleken met zowel MobileNetV2 als Inception-ResNet-V2. De studie concludeert dat het voorgestelde lichtgewicht, op aandacht gebaseerde raamwerk nauwkeurigheid en rekencomplexiteit effectief in balans brengt, waardoor het zeer geschikt is voor realtime en mobiele zorgtoepassingen, vooral in omgevingen met beperkte middelen.
Nauwkeurige classificatie van hersentumoren met behulp van magnetische resonantiebeeldvorming (MRI) speelt een cruciale rol bij klinische diagnose, behandelplanning en prognoseschatting1. Hersentumoren, waaronder glioom, meningeoom en hypofysetumoren, vertonen duidelijke pathologische kenmerken en behandelingsreacties; Daarom is vroege en betrouwbare identificatie essentieel om de therapeutische uitkomsten te verbeteren en de ziekteprogressie te verminderen. MRI wordt algemeen geprefereerd voor de evaluatie van hersentumoren vanwege het superieure zachte weefselcontrast, het niet-invasieve karakter en het vermogen om tumormorfologie over meerdere anatomische vlakken te visualiseren. Handmatige interpretatie van MRI-scans is echter vaak tijdrovend en sterk afhankelijk van radiologische expertise, vooral wanneer tumorgrenzen onregelmatig zijn of wanneer er visuele overeenkomsten zijn tussen tumorklassen. Daarom zijn geautomatiseerde computerondersteunde diagnostische systemen steeds belangrijker geworden om radiologen te ondersteunen bij nauwkeurige en efficiënte tumorclassificatie.
Deep learning (DL)-gebaseerde beeldanalysetechnieken hebben geautomatiseerde ziekteclassificatie aanzienlijk verbeterd in biomedische en computer vision-toepassingen 2,3. In de neuro-oncologie hebben machine learning en transfer learning-technieken veelbelovende prestaties aangetoond voor tumordetectie, segmentatie en classificatietaken4. Convolutionele neurale netwerken (CNN's) hebben in het bijzonder een superieure capaciteit getoond om automatisch hiërarchische beeldkenmerken direct uit MRI-scans te extraheren zonder te vertrouwen op handgemaakte feature engineering. CNN-architecturen kunnen discriminerende tumorgerelateerde representaties leren uit beeldvormingsgegevens, waardoor de classificatieprestaties verbeteren ten opzichte van conventionele machine learning-benaderingen. Recente vooruitgang in DL heeft de ontwikkeling mogelijk gemaakt van hoogwaardige beeldclassificatiesystemen die grootschalige beelddatasets met verbeterde precisie en verminderde menselijke interventie kunnen verwerken.
Ondanks deze vooruitgang vereisen conventionele diepgaande CNN-architecturen vaak aanzienlijke rekenkrachten, waaronder hoog geheugenverbruik, verhoogde parametercomplexiteit en uitgebreide trainingstijd5. Dergelijke rekenkundige eisen beperken hun implementatie in klinisch omgevingen met beperkte middelen en mobiele zorgsystemen. Daarnaast hebben lichtgewicht convolutionele neurale netwerkarchitecturen steeds meer aandacht gekregen vanwege hun verminderde rekencomplexiteit en geschiktheid voor implementatie in toepassingen met weinig middelen5. Verschillende recente studies hebben geoptimaliseerde CNN-strategieën, efficiënte mechanismen voor feature-extractie en lichtgewicht implementatiekaders onderzocht om de classificatie-efficiëntie te verbeteren zonder significant concessies te doen aan de voorspellende nauwkeurigheid 6,7,8. Het balanceren van computationele efficiëntie met robuuste multi-klasse tumorclassificatieprestaties blijft echter een grote uitdaging in MRI-gebaseerde hersentumoranalyse9.
Aandachtgebaseerde deep learning-frameworks zijn uitgekomen als effectieve oplossingen om de kenmerkweergave in medische beeldanalysete verbeteren 10. Aandachtsmechanismen stellen neurale netwerken in staat om selectief diagnostisch relevante beeldgebieden te benadrukken, terwijl irrelevante achtergrondinformatie wordt onderdrukt. Geïnspireerd door het menselijke visuele systeem verbeteren aandachtsgestuurde architecturen het onderscheiden van kenmerken door de computationele focus te richten op tumorspecifieke ruimtelijke gebieden en contextuele kenmerken. Dergelijke mechanismen zijn vooral gunstig voor hersentumor-MRI-analyse omdat tumorweefsels vaak heterogene intensiteitspatronen, onregelmatige morfologie en overlappende visuele kenmerken tussen tumorcategorieën vertonen. Daarom kan het integreren van aandachtsmodules in CNN-gebaseerde architecturen de classificatienauwkeurigheid verbeteren en de prestaties voor feature-localisatie verbeteren.
Verschillende recente studies hebben het potentieel aangetoond van DL-kaders voor geautomatiseerde diagnose van hersentumoren en MRI-gebaseerde tumorclassificatie11,12. Gao et al. ontwikkelden en valideerden een DL-model voor de diagnose van hersentumoren met behulp van MRI-gegevens, waarmee ze sterke classificatiecapaciteit voor geautomatiseerde neuroimaginganalyse aantoonden. Evenzo onderzochten Abdusalomov et al. DL-gebaseerde hersentumordetectiemethoden met behulp van MRI-scans en rapporteerden veelbelovende diagnostische prestaties12. Hoewel deze studies verbeterde classificatienauwkeurigheid behaalden, blijven beperkingen met betrekking tot datasetdiversiteit, modelgeneralisatie en computationele vereisten onopgelost. In veel gevallen waren de trainingsdatasets beperkt in omvang of afkomstig van beperkte klinische bronnen, waardoor het risico op overfitting werd vergroot en de robuustheid over heterogene patiëntenpopulaties afnam.
Om tumorvisualisatie en feature-extractie te verbeteren, zijn ook multimodale MRI-analyse- en reconstructietechnieken onderzocht 13,14. Sun et al. onderzochten multimodale MRI-gebaseerde glioma-beoordeling met behulp van een deep learning reconstructiekader gecombineerd met denoisingstrategieën13. Hun werk toonde het belang aan van verbetering van beeldkwaliteit voor het verbeteren van de nauwkeurigheid van gliomadetectie. Evenzo stelden Srinivas en Rao een DL-gebaseerd segmentatiekader voor multimodale MRI-hersentumorsubregio-analyse14. Hun aanpak verbeterde de afbakening van tumorsubregio's en droeg bij aan individuele behandelplanning. Desalniettemin vereisen multimodale kaders over het algemeen uitgebreide preprocessing, meer rekenkracht en nauwkeurige beeldregistratie tussen beeldvormingsmodaliteiten, wat hun toepasbaarheid in praktische klinische omgevingen kan beperken.
Aandachtgestuurde multimodale fusiemethoden zijn ook voorgesteld om de segmentatienauwkeurigheid en de integratie van MRI-kenmerken te verbeteren 15,16,17,18. Zhou et al. introduceerden een op aandacht mechanisme gebaseerd fusiekader voor multimodale segmentatie van hersentumoren15. De studie toonde verbeterde segmentatieprestaties aan door contextueel feature learning; De aanpak richtte zich echter vooral op segmentatie in plaats van op lichte tumorclassificatie. Evenzo stelden Zhou en Du een 3D-multimodaal netwerk voor voor versnelde MRI-reconstructie16, terwijl Huang et al. AMF-Net ontwikkelden, een adaptief multisequentiefusienetwerk voor multimodale hersentumordiagnose17. Zhou et al. stelden verder MLMFNet voor voor multimodale versnelde MRI-reconstructie18. Hoewel deze methoden de reconstructiekwaliteit en de fusiecapaciteit verbeterden, waren ze sterk afhankelijk van meerdere MRI-modaliteiten, diepe architecturen en rekenintensieve fusie-operaties. Dergelijke vereisten kunnen hun haalbaarheid voor implementatie in zorgsystemen met beperkte middelen en edge-based diagnostische platforms verminderen.
Aanvullende studies hebben DL-kaders onderzocht die specifiek bedoeld zijn om glioom, meningeoom en hypofysetumoren te classificeren met behulp van MRI-beelden19. Mokri et al. ontwikkelden een DL-gebaseerd classificatiesysteem om drie belangrijke hersentumortypen te identificeren met behulp van MRI-scans19. Hoewel de studie bemoedigende prestaties liet zien, maakte het model gebruik van relatief kleine datasets en ontbrak het aan vergelijkingen met lichtgewicht transfer learning-frameworks. Transformer-gebaseerde architecturen hebben recentelijk ook aandacht getrokken in medische beeldvorming vanwege hun vermogen om langeafstandsafhankelijkheden van kenmerken en contextuelerelaties te modelleren. Feng et al. stelden een multimodale transformator-raamwerk voor voor versnelde MR-beeldreconstructie20. Hun aanpak verbeterde de reconstructieprestaties vergeleken met conventionele methoden; transformatorarchitecturen vereisen echter over het algemeen uitgebreide rekenkrachten en grootschalige trainingsdatasets, wat hun praktische inzet in medische systemen met beperkte middelen kan beperken.
Op transfer learning gebaseerde lichtgewicht CNN-architecturen hebben aanzienlijke belofte getoond om de computationele complexiteit te verminderen terwijl de classificatienauwkeurigheidbehouden blijft: 21,22,23. Rahman et al. toonden verbeterde prestaties bij hersentumorclassificatie aan met behulp van MobileNetV2, gecombineerd met geavanceerde preprocessing en fine-tuning benaderingen21. MobileNetV2 is bijzonder geschikt voor lichte medische beeldvormingstoepassingen vanwege de diepte-separatable convoluties, het verminderde aantal parameters en efficiënte feature-extractie. Evenzo hebben op EfficientNet-gebaseerde frameworks sterke multi-klasse classificatieprestaties laten zien door samengestelde schaalstrategieën die netwerkdiepte, breedte en inputresolutie gelijktijdigoptimaliseren. EfficientNet-architecturen bereiken verbeterde classificatie-efficiëntie terwijl ze een lagere rekenlastige overhead behouden vergeleken met conventionele CNN's. Daarnaast integreren Inception-ResNet-architecturen residueel leren met efficiënte mechanismen voor feature-extractie om de beeldclassificatieprestatieste verbeteren 23. Dergelijke hybride architecturen maken effectieve gradiëntpropagatie en diepere netwerkrepresentatieleer mogelijk, terwijl de rekenefficiëntie behouden blijft.
Hoewel er aanzienlijke vooruitgang is geboekt in de classificatie van hersentumoren op basis van MRI, blijven er verschillende beperkingen onopgelost. Veel bestaande benaderingen geven prioriteit aan classificatienauwkeurigheid bij computationeel intensieve architecturen, zonder voldoende rekening te houden met implementatie-efficiëntie of computationele beperkingen. Andere studies richten zich voornamelijk op segmentatie, multimodale reconstructie of featurefusie in plaats van directe classificatie van tumoren in vier klassen. Bovendien integreren relatief weinig frameworks lichtgewicht transfer learning-architecturen met aandachtgestuurd feature learning voor efficiënte multi-class hersentumorclassificatie. Daarom blijft er behoefte aan een computationeel efficiënt kader dat classificatienauwkeurigheid, lichte inzet en discriminerende feature-extractie in klinische omgevingen met beperkte middelen in balans brengt.
Daarom stelt deze studie een lichtgewicht, aandachtsgeleid transfer learning-framework voor vier-klasse hersentumorclassificatie met behulp van MRI-beelden. Het voorgestelde framework integreert MobileNetV2, EfficientNetV1 en Inception-ResNet-V2 met een aandachtsmechanisme dat selectief diagnostisch relevante tumorgebieden benadrukt terwijl irrelevante achtergrondkenmerken worden onderdrukt. Het kader heeft als doel feature-discriminatie en classificatieprestaties te verbeteren en tegelijkertijd de computationele complexiteit te verminderen. Door lichtgewicht transfer-learning backbones te combineren met aandachtgestuurde feature-extractie, streeft de voorgestelde aanpak ernaar een efficiënte, schaalbare oplossing te bieden voor geautomatiseerde MRI-gebaseerde hersentumorclassificatie in resource-beperkte klinische beslissingsondersteuningsomgevingen.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Deze studie gebruikte een publiek toegankelijke, geanonimiseerde dataset; Daarom was geïnformeerde toestemming niet vereist. De voorgestelde aanpak bestaat uit zes componenten: preprocessing, convolutiemodule, aandachtsmodule, integratie van convolutie- en aandachtsmodules, en volledig verbonden (FC) lagen. Figuur 1 illustreert de volledige workflow van onze methode.
Dataset-acquisitie
Gelabelde hersen-MRI-beelden worden verkregen uit een openbaar beschikbare Kaggle-dataset die bestaat uit vier tumorcategorieën en normaal weefsel.
Datavoorverwerking
Beelden worden aangepast tot een uniforme resolutie en de intensiteit wordt genormaliseerd. Optionele augmentatie (rotatie, flippen, zoomen) wordt toegepast om de generalisatie te verbeteren. De dataset is opgesplitst in trainingssets (70%) en testsets (30%).
Modelarchitectuur
Drie backbone CNN's die vooraf getraind waren op ImageNet—MobileNetV2, EfficientNetV1 en Inception-ResNet-V2—werden gebruikt om hersentumoren in vier categorieën te classificeren met behulp van MRI-beelden. MobileNetV2 en EfficientNetV1 waren geconfigureerd met een invoerdimensie van 224 × 224 pixels, terwijl Inception-ResNet-V2 een invoergrootte van 299 × 299 pixels vereiste. In het transfer learning-proces werden de initiële convolutionele lagen aan het begin bevroren om gegeneraliseerde beeldkenmerken te behouden, terwijl de bovenste lagen werden verfijnd om het model aan te passen aan de classificatie van hersentumoren. Elke backbone werd gekoppeld aan een lichtgewicht classificatiehoofd dat Global Average Pooling, dichte lagen, dropout voor regularisatie en een Softmax-activatiefunctie om vier klassen te voorspellen bevatte. Dropout werd geïmplementeerd om overfitting te beperken en de generalisatie te verbeteren. De ontworpen architectuur combineerde efficiënte feature-extractie effectief met lagere rekenkundige eisen, waardoor nauwkeurige classificatie mogelijk werd en toch geschikt bleef voor inzet in resource-beperkte en proof-of-concept scenario's.
Aandacht-gebaseerde feature-extractie
Invoerbeelden worden verwerkt via een initiële convolutionele laag, gevolgd door een aangepaste aandachtmodule. Parallelle max pooling en gemiddelde pooling vangen opvallende en contextuele kenmerken, die via convolutie worden samengevoegd en verfijnd om tumorrelevante regio's te benadrukken.
Convolutionele ruggengraat en fusie
Aandachtsgewogen functies worden doorgestuurd naar vooraf getrainde backbones (MobileNetV2, EfficientNetV1 of Inception-ResNet-V2). Hoog-niveau convolutionele lagen worden logisch samengevoegd om geheugentoegang te verminderen en de rekenefficiëntie te verbeteren.
Classificatie
Afgeplatte kenmerken worden door volledig verbonden lagen geleid met ReLU6-activatie en -uitval, wat een compacte representatie oplevert voor de uiteindelijke vier-klasse softmax-classificatie.
Evaluatie
De modelprestaties worden beoordeeld op de testset met behulp van nauwkeurigheid, precisie, herinnering, F1-score en verwarringsmatrices.
Ontwikkeling van het raamwerk
De voorgestelde oplossing is geïmplementeerd in Python en gebruikt Keras voor de uitvoering. Tabel 1 illustreert de hyperparameters. De dataset wordt opgesplitst in een trainingsset en een testset volgens een verhouding van 70:30. Vijf verschillende willekeurige splitsingen van treinen/tests worden gebruikt om de uiteindelijke gebalanceerde prestaties voor elke dataset weer te geven.
Preprocessing
De invoerafbeeldingen moeten worden bijgewerkt omdat het MobileNetV2-framework de basis vormt voor de voorgestelde oplossing. Om hoogresolutiekenmerken uit foto's te halen, wordt het vooraf getrainde MobileNetV2-model gebruikt met zijn invoerdimensie. Elke invoerafbeelding wordt vervolgens opgeschaald tot 224×224 pixels in het bereik [-1, 1].
Het convolutiemodel
MobileNetV2 verbetert beeldherkenning door gebruik te maken van een efficiënte Convolutional Neural Network (CNN)-architectuur die is ontworpen om rekenkundige eisen te minimaliseren. Hoewel traditionele CNN's hoge nauwkeurigheid bereiken, vereisen ze vaak aanzienlijke geheugen- en verwerkingskracht. MobileNetV1 introduceerde het concept van diepte-separabele convolutie, waarbij standaardconvolutie wordt onderverdeeld in twee verschillende bewerkingen: diepte-convolutie voor het filteren van invoer en puntgewijze convolutie voor het integreren van kenmerken. MobileNetV2 bouwt voort op dit idee door bottleneck-residuele blokken te integreren die bestaan uit expansielagen, diepteconvolutie, projectielagen en residuele verbindingen. De projectielaag comprimeert featurekanalen, terwijl resterende verbindingen een betere informatiestroom door het netwerk mogelijk maken. Om de stabiliteit en leerprestaties te verbeteren, worden ReLU6-activatie en batchnormalisatie toegepast na convolutionele operaties.
In dit onderzoek werd MobileNetV2, vooraf getraind op ImageNet, gebruikt als ruggengraat om kenmerken te extraheren, waarmee effectieve semantische representaties op hoog niveau werden geleverd, terwijl de rekenkosten voor hersentumorclassificatie laag bleven. Na elke convolutielaag is er een ReLU6-activatielaag, een aanpassing van de ReLU-activatiefunctie, waarbij de grootte maximaal is op zes, en een batchnormalisatielaag. De gebruikelijke 1x1 convolutie-, gemiddelde pooling- en classificatielagen worden toegepast op 17 van de overige bottleneck-blokken, waarmee de volledige MobileNetV2-architectuur ontstaat. We gebruikten MobileNetV2 als backbone-netwerk, vooraf getraind op ImageNet. In zo'n geval wordt de convolutionele afbeelding verkregen uit het laatste residuele blok nadat het door de MobileNetV2-convolutionele laag is gegaan. Lagere residuele blokken produceren kleinere featuremaps. Dergelijke blokken dragen niet bij aan ons onderzoek omdat ze geen hoge gegevens verzamelen voor de algehele beeldidentificatie. Tijdens het bouwen en trainen van modellen worden de lagen voorafgaand aan de convolutionele lagen die een 7 × 7 3D-featuremap genereren, vast gehouden. In wiskundige termen wordt dit hieronder uitgedrukt in vergelijking (1):
F1(I) = Conv(I) (1)
Hier vertegenwoordigt F1(I) de convolutionele eigenschap die uit het invoerbeeld I, is gehaald.
De focusmodule
Het aandachtsmechanisme van het menselijk brein, dat impliceert dat mensen zich van nature meer richten op significante visuele input dan op elk detail in een afbeelding, vormt de basis voor het ontwerp van dit transformatienetwerk. Talrijke aandachtsgebaseerde modellen zijn ontwikkeld in deep learning-onderzoek vanwege dit idee. De ruimtelijke correlaties die in representaties van hersentumoren worden gezien, worden benadrukt door het voorgestelde aandachtsmechanisme. Terwijl de kanaalaandachtmodule de belangrijkste tumorgerelateerde informatie over de featurekanalen vastlegt, identificeert de regionale aandachtseenheid de meest informatieve gebieden van het MRI-beeld. Met een gestructureerde aandachtsmethode richt de voorgestelde focuseenheid zich op gebieden die discriminerende tumorinformatie bevatten.
Om de feature-representatie te verbeteren, worden technieken zoals Top Activation Pooling en gebalanceerde feature-extractie gebruikt vóór de ruimtelijke feature-detectiefase. Deze strategie verbetert het vermogen van het model om klinisch significante tumorgebieden te benadrukken, terwijl irrelevante achtergronddetails worden geminimaliseerd, waardoor de classificatienauwkeurigheid en de efficiëntie van feature-leren worden verbeterd. De tweede is de concatenatie van de max-pooled en average-pooled tensoren. Tot slot zal de sigma-activatiefunctie, gecombineerd met een 7x7 convolutioneel filter, worden gebruikt om visuele prikkels binnen de visuals te activeren. De verschillende fasen van de focusmodule worden aangegeven in vergelijkingen (2) en (3). waarbij gebalanceerde Pool(F) ∈ RHxWx1 de gemiddelde poolingoperatie vertegenwoordigt en MaxPool(F) ∈ RHxWx1 de maximale poolingoperatie beschrijft.
F2(I) = [AvgPool(F); MaxPool (V)] (2)
Deze twee elementmaps kunnen in 3D worden gecombineerd om een element map te maken
F2(I) = ∈ RHxwx1. F3(I) = σ(f7x7(F2(I))) (3)
waarbij σ de activatiefunctie is die Sigma aangeeft. De aandachtskenmerken, die worden weergegeven door een HxWxC Hoogte-gecodeerde tensor (V), breedte (W) en dikte (C), worden weergegeven door F3(I), terwijl f7x7 de filtergrootteconvolutie-operatie (7x7) vertegenwoordigt.
Fusie van aandacht en een convolutiemodel
In tegenstelling tot een netwerk dat afhankelijk is van één encoder, kan een multimodale Merging Unit veel efficiëntere en allesomvattendere informatie extraheren voor de overgrote meerderheid van de modaliteiten. Het fusieblok is bedoeld om te leiden naar de maximaal essentiële cross-modale kenmerken; daarom zal het aandachtsgebieden aanwijzen voor tumorregio-extractie. Dit is een eenvoudige samenvoeging van individuele latente representaties, maar sommige informatie zou verloren gaan. Een gecombineerde objectkaart werd dus gegenereerd door de featurekaarten van de convolutie- en observatiemodules te combineren met behulp van de basisfeature-concatenatiemethode van Sitaula et al. Deze twee featuremaps legden verschillen in verschillende beeldeigenschappen vast, dus besloten we een eenvoudige concatenatiemethode te gebruiken in plaats van max-, min- of sumgebaseerde strategieën. Dit maakt het ook computationeel lichter dan de alternatieve methoden die bilineaire methoden gebruiken als een vorm van tensorproductberekening. Wanneer zulke twee kenmerken worden gecombineerd, wordt de resultant een kenmerktensor genoemd. De wiskundige uitdrukking van de geaggregeerde tensoroutput van karakters T wordt gegeven door Vergelijking (4).
[F1(I), F3(I)] = T(I) (4)
Waar F1(I) ∈ RHxWx1 en F2(I) ∈ RHxWx1280. Dit zijn 3D-tensoren met dezelfde breedte (W) en hoogte (H). Verder kunnen ze worden samengevoegd in 3D k creatie van 3D-tensoren, waarbij T(I) ∈ LxWx1281.
Volledig verbonden lagen (FC)
We gebruikten een reeks FC-lagen na feature-fusie om een volumetrische tensor om te zetten die is omgevormd tot een lineaire featurevector. De classificatiekop bestaat uit een Global Average Pooling-laag, volledig verbonden dichte lagen, dropout-regularisatie en een Softmax-uitvoerlaag. De activatiefunctie van ReLU6 wordt gebruikt, met 128 eenheden en een uitvalkans van 50%.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Drie vooraf getrainde deep learning-modellen, namelijk MobileNetV2, EfficientNetV1 en Inception-ResNet-V2, werden geëvalueerd voor vier-klasse hersentumorclassificatie met behulp van MRI-beelden.
Gebruikte dataset
Het voorgestelde kader werd geëvalueerd met behulp van een publiek beschikbare hersentumor-MRI-dataset verkregen van het Kaggle-platform. De dataset bestond uit 835 normale hersen-MRI-beelden, 826 gliomabeelden, 822 meningeoombeel...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De prestatie-evaluatie, gebaseerd op nauwkeurigheid, herinnering, F1-score en precisie, toont aan dat zowel MobileNetV2 als Inception-ResNet-V2 vergelijkbare resultaten behalen in hersentumorclassificatie, waarbij elk een geaggregeerde en gewogen gemiddelde nauwkeurigheid van 97–98% behaalt. Daarentegen presteert EfficientNet beter dan de andere modellen en behaalt 99% nauwkeurigheid over macro- en gewogen gemiddelde metrics, dankzij de verbeterde generalisatie- en samengestelde schaalst...
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs hoeven geen belangenconflicten aan te geven.
Voor deze studie werd geen externe financiering ontvangen.
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
```html
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Brain MRI Dataset | IEEE | https://dx.doi.org/10.21227/q2vt-tf46 | Het dataset wordt gedownload met toegang tot het instituut. Het MRI-dataset bevat vier klassen: glioom, meningeoom, hypofysetumor en normale hersenen |
| CNN Accelerator (Layer Fusion) | Voorgesteld werk | — | Logische fusie van de bovenste convolutionele lagen om geheugentoegang te verminderen en de computationele efficiëntie te verbeteren |
| Custom Attention Module | Voorgesteld werk | — | Aandachtsmechanisme dat max-pooling en average-pooling integreert om op tumor-relevante regio's te focussen |
| EfficientNetV1 | Voorgetraind (ImageNet) | Schaalbare CNN-architectuur die een optimale nauwkeurigheid-efficiëntie verhouding biedt | |
| Google Colaboratory | https://colab.research.google.com/ | Cloud-gebaseerd omgeving gebruikt voor modeltraining, evaluatie en experimenten met GPU-ondersteuning | |
| Inception-ResNet-V2 | Voorgetraind (ImageNet) | Diepe hybride CNN-architectuur die Inception-modules combineert met restverbindingen | |
| Keras | v2.6.0 | High-level neurale netwerk-API gebouwd op TensorFlow voor snelle modelprototypen | |
| Matplotlib | Matplotlib Developers | v3.4.3 | Visualisatiebibliotheek gebruikt voor het plotten van trainingscurven, verwarringsmatrices en prestatiemetrieken |
| MobileNetV2 | Voorgetraind (ImageNet) | Lichtgewicht CNN-backbone geoptimaliseerd voor mobiele en edge-implementatie | |
| NumPy | NumPy Developers | v1.21.4 | Kernwetenschappelijke rekenbibliotheek gebruikt voor numerieke bewerkingen |
| Pandas | Pandas Development Team | v1.3.4 | Gegevensverwerkings- en manipulatiebibliotheek gebruikt voor datasetorganisatie en metadataverwerking |
| Python | Python Software Foundation | v3.8.10 | Primaire programmeertaal gebruikt voor gegevensvoorverwerking, modelontwikkeling en evaluatie |
| Scikit-learn | Scikit-learn Developers | Laatste stabiele | Gebruikt voor prestatie-evaluatiemetrieken zoals precisie, recall, F1-score en verwarringsmatrices |
| Seaborn | Seaborn Developers | Laatste stabiele | High-level statistische visualisatiebibliotheek gebruikt voor verbeterde grafische analyse |
| TensorFlow | v2.6.0 | End-to-end deep learning framework gebruikt voor het implementeren van CNN-backbones en aandachtsmodules |
Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken
Toestemming aanvragen