.png){kind=icon}
返回
Robust multi-expert deep learning framework for brain MRI classification with Taguchi optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130824.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习（DL）已显著改变了图像分类，尤其是在医学影像领域。然而，高昂的计算成本、庞大的参数数量、噪声数据、医学图像中的不确定性、对抗脆弱性以及复杂的超参数优化等因素限制了卷积神经网络（CNNs）在资源受限环境中的部署。本文提出了一种新颖的多专家深度学习框架，用于脑部MRI分类，该框架集成了去噪、模糊逻辑、对抗训练和Taguchi优化方法以解决上述问题。该框架包含三个专家模型：（i）去噪专家，通过去除噪声来增强图像质量，并在去噪后达到58.09 dB的峰值信噪比（PSNR）和0.9875的结构相似性指数（SSIM）；（ii）模糊逻辑专家，有效处理不确定性，在低强度MRI图像中达到94.13%的分类准确率；以及（iii）对抗训练专家，增强对抗扰动下的鲁棒性，在FGSM和PGD攻击下将准确率分别从68.89%提升至85.72%和从69.09%提升至84.35%。这些专家通过所提出的多专家融合（MEF）模型进行融合，动态选择最相关的特征以实现鲁棒分类。Taguchi优化方法用于高效调整超参数，在脑部MRI数据集上实现了97.25%和99.10%的当前最佳分类准确率，同时显著降低了计算复杂度。所提出的模型仅包含738,100个参数和2.82 MB的体积，保持轻量化结构，适用于实际医学影像应用。与现有的基于CNN的模型相比，所提出的框架在鲁棒性、计算效率和分类准确率方面表现更优，非常适合资源受限环境中的医疗保健应用。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications关于处理数据稀缺的深度学习工具的调查: 定义，挑战，解决方案，技巧和应用.png)
JOURNAL OF BIG DATA
OAAI
JOURNAL OF BIG DATAIF6.4
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-BASEL
OAAI
LIFE-BASELIF3.4
OAAI分享收藏Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Classifying Brain Tumors on Magnetic Resonance Imaging by Using Convolutional Neural NetworksElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容