.png){kind=icon}
返回
Brain Tumor Classification Using Convolutional Neural Network and Bitterling Fish Optimization Algorithm
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics16162659.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景/目标：利用磁共振成像（MRI）进行脑肿瘤诊断在临床决策和治疗规划中发挥着重要作用。然而，MRI扫描的人工解读耗时且可能存在放射科医师间的差异。本研究旨在通过整合基于深度学习的特征提取与Bitterling Fish Optimization（BFO）算法进行有效特征选择，开发一个自动化的多类别脑肿瘤分类框架。方法：首先对MRI图像进行预处理，以准备进行深度学习分析。采用多种预训练卷积神经网络（CNN）架构，包括VGG16、VGG19、InceptionV3、ResNet50、EfficientNet、MobileNet和ShuffleNet，从MRI图像中提取信息丰富的深度特征。提取的特征随后通过BFO算法进行优化，该算法在减少特征冗余的同时选择了最相关的特征。随后使用所选特征进行多类别脑肿瘤分类。模型性能通过敏感性、特异性、精确度、准确度、F1分数和曲线下面积（AUC）进行评估。结果：实验结果表明，基于BFO的特征选择提高了所评估CNN架构的分类性能，优于未进行特征选择的对应模型。在所研究的CNN-优化器组合中，BFO-ShuffleNet框架取得了最佳整体性能，获得98.98%的敏感性、98.99%的特异性、98.99%的精确度、99.00%的准确度和98.99%的F1分数。这些结果表明BFO有效识别了最具判别性的特征，并增强了ShuffleNet架构的分类能力。结论：所提出的基于深度学习和BFO的框架为从MRI图像进行自动化多类别脑肿瘤分类提供了准确高效的方法。研究结果表明，结合预训练CNN模型与基于BFO的特征选择可以减少特征冗余并提高诊断性能。特别是BFO-ShuffleNet展示了最高的分类性能，并显示出作为计算机辅助诊断工具的巨大潜力，以支持放射科医师在脑肿瘤评估和临床决策中发挥作用。
Keyword:
bitterling fish optimization algorithms
brain tumor
classification
convolutional neural network
期刊
IF:
3.3
论文数:
2.0W
被引数:
3.6W
机构
引用论文
Yonar, A. A swarm intelligence-driven hybrid framework for brain tumor classification with enhanced deep features. Sci. Rep. 2025, 15, 37543. [Google Scholar] [CrossRef]Yonar, A. 一种基于群智能驱动的混合框架，用于增强深度特征的脑肿瘤分类。Sci. Rep. 2025, 15, 37543. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏A hybrid bio-inspired augmented with hyper-parameter deep learning model for brain tumor classification劳伦斯, M.O. 一种用于脑肿瘤分类的混合生物启发式增强超参数深度学习模型. 电子系统与信息技术杂志. 2025, 12, 35. [谷歌学术] [ CrossRef ] [ Scilit ]
PREAI
分享收藏Context-aware machine learning techniques for brain tumor classification and detection–A review基于上下文感知的机器学习技术在脑肿瘤分类与检测中的应用综述
IF0
PREAI
分享收藏Quantum computing and machine learning in medical decision-making: A comprehensive review量子计算和机器学习在医疗决策中的应用：综合评述OAAI
IF0
OAAI分享收藏DSIT UNet a dual stream iterative transformer based UNet architecture for segmenting brain tumors from FLAIR MRI imagesDSIT UNet是一种基于双流迭代Transformer的UNet架构，用于分割FLAIR MRI图像中的脑肿瘤。SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Brain tumor detection and classification in MRI using hybrid ViT and GRU model with explainable AI in Southern BangladeshSCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Utilizing customized CNN for brain tumor prediction with explainable AI利用定制化CNN进行脑肿瘤预测并采用可解释AIHeliyonOAAI
HeliyonIF0
OAAI分享收藏
查看更多内容