A CNN-based method with capuchin search algorithm-based weighted constrained optimization for brain tumor classification

Dina Tbaishat

doi:10.1007/s11227-026-08535-0

A CNN-based method with capuchin search algorithm-based weighted constrained optimization for brain tumor classification

2026-05-10

0

PRE

AI

Mohammed Azmi Al-Betar *

DOI：10.1007/s11227-026-08535-0

原文链接

摘要

En 中文

早期检测脑肿瘤对于提高患者生存率和治疗选择至关重要。准确分类和分层脑肿瘤对于制定个体化治疗计划也至关重要。尽管磁共振成像（MRI）在脑部评估中的应用日益增多，以及基于AI的检测技术的进步，但从MRI图像中准确高效地识别和分类脑肿瘤仍然是一个挑战。为解决这一问题，本研究开发了一种基于深度卷积神经网络（CNN）的结构，用于将脑肿瘤自动分类为四种常见类型：脑膜瘤、垂体瘤、非肿瘤性肿瘤和胶质瘤。为此，所提出的深度CNN模型利用了一种分割模型和一种预处理方法，结合卷毛猴搜索算法（CSA）来改善图像对比度。这些方法需要超级计算能力和实时性能，以及并行或分布式处理以进一步增强其有效性。所提出的基于CNN模型的结构用于分类器中以改进肿瘤分类的诊断过程。使用四个具有不同复杂性的广泛可用参考数据集，以及表现出不同程度变异性的肿瘤区域，我们训练了分割模型并评估了分类模型。这使得我们能够并行比较分割过程对肿瘤分类的影响。所提出的分类方法的效率水平使用许多相关指标进行了评估。在所有四个采用的数据集上，所开发的基于深度学习的分类模型优于许多预训练模型。结果表明，所提出的分类模型在数据集1的预处理条件下达到了97.64%的最高分类准确率，而在无预处理条件下为96.27%。在数据集4上报告的最高分类准确率为99.58%。因此，该提出的框架可以高效地在临床环境中用于从MRI图像中自动识别和分割脑肿瘤。

Keyword:

Brain tumors

Deep CNN

Classification

Data augmentation

Capuchin search algorithm

A CNN-based method with capuchin search algorithm-based weighted constrained optimization for brain tumor classification

摘要

期刊

机构

引用论文