Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.
Исследовательская статья
В данном исследовании используется контролируемая структура для оценки конвейеров и оптимизаторов предобработки в рамках фиксированной архитектуры, с целью определить, как классическая предобработка влияет на оптимизаторов и сверточные нейронные сети (CNN) в классификации опухолей мозга.
Классификация опухолей мозга с помощью магнитно-резонансной томографии (МРТ) представляет собой сложности из-за различий в размерах, форме и текстуре опухоли. Хотя традиционные методы предварительной обработки изображений часто используются для улучшения качества входа, их влияние на поведение оптимизаторов и производительность CNN пока не изучено тщательно. В данном исследовании рассматривается влияние предварительной обработки на сходимость, обобщение и точность классификации различных оптимизаторов. Мы используем общедоступный набор данных Kaggle для создания двух конвейеров предварительной обработки: базового конвейера, который меняет размер только изображений, и традиционного, который преобразует изображения в оттенки серого, размывает их и применяет морфологическую фильтрацию. Затем мы проверяем, как эти конвейеры влияют на три оптимизатора: Адама, Root Average Square Propagation (RMSProp) и стохастический градиентный спуск (SGD). Для разделения протокольных переменных используется фиксированная архитектура CNN. Результаты оцениваются с помощью точности, точности, воспоминания и оценки F1, валидируемых пятикратной перекрёстной валидацией. Результаты показывают, что базовая предобработка стабильно обеспечивает более высокую точность и более стабильную сходимость среди всех оптимизаторов, при этом RMSProp и SGD достигают самой высокой средней точности 99,53% при пятикратной перекрёстной валидации. Результаты рассматривают недостаточно изученное влияние предобработки на производительность оптимизаторов, подчёркивая необходимость стратегий обучения, ориентированных на предобработку, для повышения надёжности и интерпретируемости в анализе медицинских изображений.
Классификация опухолей мозга с помощью магнитно-резонансной томографии (МРТ) является ключевой задачей в нейроонкологии, где ранняя и точная диагностика напрямую влияют на планирование лечения и исходы дляпациентов 1. CNN стали доминирующим подходом для автоматизации этого процесса благодаря своей способности изучать иерархические пространственные и текстурные особенности непосредственно на основе исходных данныхизображений 2. Тем не менее, качество входных данных остаётся ключевым фактором производительности модели. Классические методы предварительной обработки — такие как преобразовани....
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
На рисунке 1 представлен обзор рабочего процесса протокола. В данном исследовании рассматривается влияние классической предварительной обработки изображений на работу CNN и поведение оптимизаторов при классификации опухолей мозга с помощью МРТ. Протокол включает подготовку наборов данных, конвейеры предварительной обработки с двумя путями, архитектуру модели, конфигурацию оптимизаторов, оценку производительности и проверку интерпретируемости. Все эксперименты проводились на Python 3.10.12 с использованием версии Keras 2.13.1 с бэкендом TensorFlow, OpenCV версии 4.8.0 и Matplotlib версии 3.8.0.
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Оптимизатор Adam — базовая предобработка:
Рисунок 2 иллюстрирует производительность модели классификации опухолей мозга с использованием оптимизатора Адама с базовой предварительной обработкой. Матрица путаницы показывает почти идеальное разделение между опухолями и неопухолевыми случаями, с лишь 8 ошибками из 600 образцов. Сопроводимый отчёт по классификации подтверждает это точностью, отзывом и результатами F1, все они достигают 0,98 и.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Успех классификации опухолей мозга на основе CNN в этом исследовании был в первую очередь обусловлен двумя компонентами протокола: проектированием предварительной обработки и выбором оптимизаторов. Базовая предобработка — состоящая исключительно из изменения размера изображения — сохраняла нативную интенсивность пикселей и пространственную структуру, позволяя модели изучать клинически значимые признаки. В отличие от этого, традиционные методы предварительной обработки (такие как преобраз.......
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
Авторам нечего раскрывать.
Авторы выражают свою признательность и искреннюю благодарность Университету ГИТАМ, руководящей команде, декану и заведующему кафедрой компьютерных наук и инженерии кампуса Вишакхапатнам за их постоянную поддержку и поощрение исследований и разработок.
....Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Обёртка API | Керас | 2.13.1 (RRID:SCR_016345) | Высокоуровневый API для архитектуры и обучения CNN |
| Инструмент атрибуции | Реализация Grad-CAM | Custom (через Keras) | Визуальное объяснение внимания CNN |
| Набор данных BR35H по опухолям мозга МРТ | Каггл | https://www.kaggle.com/ahmedhamada0/brain-tumor-detection | Источник маркированных МРТ-изображений для классификации |
| Набор данных по опухолям мозга | Ultralytics | https://docs.ultralytics.com/datasets/detect/brain-tumor/ | |
| Библиотека глубокого обучения | TensorFlow | 2.15.0 (RRID:SCR_018345) | Бэкенд для реализации модели CNN |
| Обработка изображений | OpenCV | 4.8.0 (RRID:SCR_015526) | Предварительная обработка: оттенки серого, размытие, порог, морфология |
| Язык программирования | Python | 3.10.12 (RRID:SCR_008394) | Среда выполнения всех экспериментов |
| Визуализация | Matplotlib | 3.8.0 (RRID:SCR_008624) | Построение кривых потерь и наложений Grad-CAM |
Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.