.png){kind=icon}
返回
Differential evolution-driven optimized ensemble network for brain tumor detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02629-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑肿瘤是大脑内严重且异常的生长，为医学诊断和治疗带来了显著挑战。脑肿瘤的多样性和复杂性使其检测和准确分类变得复杂。通过医学影像对脑肿瘤进行精确分类对于有效的医学干预至关重要。然而，传统方法依赖于人工诊断，容易产生人为错误和不一致性。以往研究虽尝试通过结合多个模型的预测来提升诊断精度，但往往导致差异和不一致的结果，进而引发复杂的诊断流程。为应对这些挑战，研究人员日益转向先进的计算方法以提高诊断准确性。在此背景下，我们提出了一种基于差分进化（DE）算法优化的鲁棒集成方法。该方法结合了三种高性能预训练CNN模型（如MobileNetV1、MobileNetV2、ResNet50V2），并通过DE分配最优权重来优化其贡献。该技术智能调整模型的权重分配以最大化集成性能。在优化过程中，提取各模型的概率并通过加权平均聚合方案进行整合，提高了诊断精度和整体预测准确性。为验证该方法的有效性，我们将其应用于两个公开数据集：一个二分类数据集（BR35H）和一个多分类（4类）数据集。通过严格评估，我们优化的集成方法分别表现出98%和97.03%的优异准确率。我们采用了多种性能评估指标和可视化技术（如Grad-CAM）来突出图像中的关键区域。此外，采用Friedman检验结合Conover事后分析进行统计验证，以严格评估和比较各模型的性能差异。
Keyword:
Brain tumor
Deep learning
Medical image analysis
Ensemble model
Differential evolution
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
暂无机构信息
引用论文
Brain Tumor Detection and Multi-Grade Segmentation Through Hybrid Caps-VGGNet Model.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏NeuroSight: A Deep‐Learning Integrated Efficient Approach to Brain Tumor DetectionNeuroSight：一种基于深度学习集成的脑肿瘤检测高效方法
OAAI
OAAI分享收藏Multiple Brain Tumor Classification with Dense CNN Architecture Using Brain MRI Images使用脑MRI图像进行密集CNN架构的多脑肿瘤分类LIFE-BASELOAAI
LIFE-BASELIF3.4
OAAI分享收藏A Novel Approach to Classify Brain Tumor with an Effective Transfer Learning based Deep Learning Model一种基于有效迁移学习深度学习模型的新型脑肿瘤分类方法OAAI
OAAI分享收藏An Automated In-Depth Feature Learning Algorithm for Breast Abnormality Prognosis and Robust Characterization from Mammography Images Using Deep Transfer LearningBiologyOAAI
BiologyIF0
OAAI分享收藏
查看更多内容