.png){kind=icon}
.png){kind=icon}
返回
General CNN model for biomedical image classification via genetic algorithm-based hyperparameter optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.asej.2025.103891.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究解决了超参数选择这一挑战，超参数是影响卷积神经网络（CNNs）在生物医学图像分类中性能的关键因素。采用遗传算法（GA）对激活函数、填充、滤波器数量、核大小、丢弃率、池化大小和批量大小进行优化。优化的CNN在多发性硬化症（MS）的脑磁共振成像（MRI）图像上进行训练，并在阿尔茨海默病MRI和COVID-19胸部X光数据集上进行验证。结果显示所有数据集均取得显著提升。在MS数据集上，所提出的模型相比其他模型实现了高达37.6%的F1分数和33.7%的准确率提升；在阿尔茨海默病数据集上，F1分数和准确率分别提升了32.8%和32.5%；对于COVID-19数据集，提升幅度虽较小但稳定，介于0.8%至12.1%之间。总体而言，经GA优化的CNN在分类性能和跨生物医学成像任务的泛化能力方面均表现出色，持续优于Xception、InceptionV3、VGG16、VGG19、AlexNet、ResNet50和GoogleNet等常用架构。
Keyword:
Genetic algorithm
Hyperparameter optimization
Biomedical image classification
Deep learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。