Robust Multi-class Brain Tumor Classification Using Hybrid Transfer Learning

doi:10.2174/0123520965354217250209232119

Robust Multi-class Brain Tumor Classification Using Hybrid Transfer Learning

2026-01-01

0

PRE

AI

DOI：10.2174/0123520965354217250209232119

原文链接

原文求助

摘要

En 中文

背景脑肿瘤的分类是医学影像研究中的一个重要方面，因为不同的肿瘤特征需要进行多分类，这有助于做出诊断。然而，这项任务由于脑MRI图像的特性而具有很大难度。近期深度学习（DL）模型使得能够实现高精度的脑肿瘤分类成为可能，这对神经科医生非常有用。基于这些新能力，本研究旨在通过一种混合迁移学习方法来增强脑肿瘤检测。方法本研究开发了一个脑肿瘤诊断系统，使用了五种先进的DL架构：Xception、ResNet164、DenseNet121、DenseNet201和Inception-ResNetV2。通过在这些架构的最终层集成深度稠密块和softmax激活函数，创建了一个混合DL模型。所提出的方法提高了分类的准确性和精确度。进行了两项实验：三分类，涉及胶质瘤、脑膜瘤和垂体瘤患者的图像；四分类，包括胶质瘤、脑膜瘤、垂体瘤和正常脑图像。结果在采用所提出的混合DL修改方案时，Xception架构在检测脑肿瘤方面表现最为有效。该系统在三类数据集上达到99.71%的准确率，在四类数据集上达到96.17%的准确率，优于脑肿瘤分类领域的现有最佳方法。讨论本研究在脑肿瘤分类方面表现出卓越的准确率结果，显著优于现有的最佳方法。这些结果强调了所开发模型的有效性和鲁棒性，突显了其在实际临床应用中的潜力，并进一步推动了医学影像分析领域的发展。结论本研究显示，在复杂的MRI数据集背景下，混合DL模型可以增强脑肿瘤分类系统的能力。激活函数的优化和深度稠密块的引入提高了准确性和精确度，为神经科医生提供了充分的解决方案。这些结果使基于Xception的混合模型被认可为一种稳健且高效的脑肿瘤检测模型。

Keyword:

Multi-class classification

hybrid transfer learning

deep convolutional neural network

brain tumor

3-class dataset

4-class dataset

Robust Multi-class Brain Tumor Classification Using Hybrid Transfer Learning

摘要

期刊

机构

引用论文