使用剪枝后的ConvNeXt和双层优化算法对肾结石进行增强型CT图像分类

《Acta Clinica Belgica》：Enhanced CT image classification for kidney stones using pruned ConvNeXt and two-tier optimization

肾结石CT图像检测中提出了一种双层级优化深度学习模型，采用改进的ConvNeXt架构结合LightGBM分类器。通过动态通道剪枝优化特征提取，利用Pufferfish优化算法进行特征选择和超参数调优，在保持计算效率的同时显著提升检测准确度至97.8%。

　　

摘要

背景

在这项研究中，提出了一种创新的双层特征优化深度学习模型，用于CT图像中的肾结石检测。该框架采用了一种新的改进版ConvNeXt学习模型来捕捉CT图像中的复杂图像模式，并结合了LightGBM分类器的使用。

方法

实施了双层优化策略来改进检测过程。首先，在ConvNeXt架构中使用动态通道剪枝技术，在特征提取过程中识别并保留最具信息量的通道。通过动态评估每个通道的重要性，该步骤能够处理最相关的通道，从而降低计算复杂度并突出关键特征。接着，应用Pufferfish优化算法（POA）进行最优特征选择。这种优化有助于分离出最具判别力的特征，以实现对肾结石的检测。此外，POA还用于调整LightGBM分类器的超参数，以提高分类准确性和效率。

结果

与其它模型相比，所提出的模型实现了高达97.8%的准确率。

结论

通过使用动态通道剪枝和Pufferfish优化，所提出的模型提高了检测的准确性和效率。该模型为CT图像中的肾结石检测提供了一种有前景的解决方案。