基于优化混合深度学习的脑肿瘤分类方法研究

《Biomedical Signal Processing and Control》：An optimized hybrid deep learning based approach for brain tumor classification

本文提出了一种融合卷积神经网络（CNN）和视觉Transformer（ViT）的混合深度学习框架，用于脑部MRI肿瘤分类。研究通过粒子群优化（PSO）和蚁群优化（ACO）算法进行特征选择，有效降低了特征冗余与计算复杂度。实验表明，ViT+ResNet+PSO组合实现了99%的最高准确率，显著提升了分类性能，为医学影像诊断提供了高效解决方案。

　　

Highlight

未经优化的混合模型

本节对模型性能进行了全面分析，比较了使用优化技术与未使用优化技术的结果。结果基于分类准确率、召回率、精确度、F1分数和计算时间进行分析。表1展示了未应用任何优化技术的ViT + EfficientNet和ViT + ResNet混合模型的性能。ViT + ResNet取得了98.84%的最高准确率，优于取得97%准确率的ViT + EfficientNet。

结论

本研究介绍了一个用于脑肿瘤MRI分类的混合深度学习框架，该框架融合了卷积神经网络（CNN）和视觉Transformer（ViT）。为了改进特征选择，研究采用了粒子群优化（PSO）和蚁群优化（ACO）。这种方法结合了广泛的探索和有针对性的精炼，减少了冗余特征，防止过拟合，并保留了最重要的信息——这些任务对于传统方法来说通常是困难的。

局限性与未来展望

尽管PSO增强的特征选择提高了准确率，但其与ResNet的结合导致了过拟合。由于PSO侧重于选择最具判别性的特征，模型变得高度适应训练数据，这增加了其对噪声的敏感性并降低了其泛化能力。过拟合问题在ResNet + PSO模型中尤为明显。

未来的工作可以通过结合正则化策略来解决这个问题，例如dropout、权重衰减和早停等。