一种自适应的、层次化的、具有类别意识的深度集成方法，用于实现鲁棒的大脑肿瘤分类

《Scientific Reports》：An adaptive hierarchical class-aware deep ensemble strategy for robust brain tumor classification

　　

摘要

自动磁共振成像（MRI）分类有助于区分脑肿瘤的类型，但传统的算法组合通常依赖于不透明的概率融合方法。本研究提出了一种基于验证驱动的自适应分层分类算法，将VGG19和Darknet53视为互补的专家模型。研究使用了包含7200张图像的平衡数据集，这些图像分别代表胶质瘤、脑膜瘤、无肿瘤以及垂体瘤类型的数据集，并将其划分为训练集（70%）、验证集（15%）和独立测试集（15%）。训练过程中仅对模型进行了优化，并保留了最佳验证阶段的模型状态。仅使用验证数据进行处理时，结果发现：Darknet53被主要用于识别胶质瘤、脑膜瘤和无肿瘤病例，而VGG19则主要用于识别垂体瘤病例。在测试阶段，系统会优先采纳所有模型的共识结果；当模型之间存在分歧时，会参考专家映射的结果；对于仍然存在的争议，系统仅依据模型的置信度来进行决策。在1080张未见过过的测试图像中，该策略正确识别了1060个病例（准确率为98.15%，宏精确率为98.16%，宏召回率为98.15%，宏F1分数为98.14%）。单独使用Darknet53和VGG19时，准确率分别为97.87%和97.69%；通过加权软投票或模型叠加的方式，准确率可达到98.06%。因此，所提出的策略不仅实现了最高的准确率，还保持了决策过程的透明性、可审核性，并且不存在信息泄露的问题。