DeepBrainNet: 一种用于 MRI 图像中脑 肿瘤检测的优化深度学习模型，采用 EfficientNetB0 和 ResNet50 与迁移学习-计算机科学-脑肿瘤检测-迁移学习-医学成像.pdf

DeepBrainNet:一种用于MRI图像中脑

肿瘤检测的优化深度学习模型，采用

EfficientNetB0和ResNet50与迁移学习

stnd

1DanielOnah2RavishDesai

DepartmentofinformationstudiesDepartmentofinformationstudies

UniversityCollegeLondonUniversityCollegeLondon

本London,UnitedKingdomLondon,UnitedKingdom

译0000-0001-6192-67020009-0000-7610-1412

中

1

v

1摘要—近年来，深度学习在自动检测和分类MRII.介绍

1图像中的脑肿瘤方面显示出了巨大的潜力。然而，实

0现高准确性和计算效率仍然是一个挑战。在这项研究

7脑肿瘤是一个重大的健康挑战，早期检测对

0中，我们提出了DeepBrainNet，这是一种旨在优化

7.脑肿瘤检测性能的新颖深度学习系统。该模型结合了于改善患者的预后和治疗结果至关重要。鉴于其

0两种先进神经网络架构的优势——EfficientNetB0和侵略性和可能的快速进展，脑肿瘤需要进行早期

5

ResNet50，并结合迁移学习以提高泛化能力和减少且准确的检测以优化临床治疗方案。磁共振成像

2

:训练时间。EfficientNetB0架构通过使用移动倒残块（MRI）由于具有优异的软组织对比度和非侵入

v

i（MBConv）增强了模型效率，这些块集成了深度可分性，成为首选的影像技术，在脑肿瘤的检测和特

x

r离卷积。这种设计显著减少了参数数量和计算成本，同时

a保留了模型学习复杂特征表示的能力。ResNet50架构征描述中不可或缺。然而，磁共振图像的复杂性

和变异性给放射科医生带来了挑战，他们经常因

在大规模数据集如ImageNet上预训练后被微调用于脑

肿瘤分类。其使用残差连接允许通过缓解梯度消失问题大脑结构和肿瘤特性的复杂性而在快速准确诊

来训练更深的网络，并避免性能退化。这些组件的集成确断上遇到困难。手动解释这些图像是耗时且容易

保了所提出的系统既计算效率高又高度准确。在公开可出错的，这突显了需要自动化系统来帮助实现脑

用的MRI数据集上的广泛实验表明，DeepBrainNet肿瘤的精确检测[1]。深度学习（DL），特别是卷积

在分类准确性、精度、召回率和计算效率方面始终优于

神经网络（CNNs），通过展示从图像中提取复杂

现有的最先进的方法。结果——88%的准确率，加权F1

得分为88.75%，宏观AUC-ROC得分为98.17%——特征并超越传统机器学习方法的能力，彻底改变

证明了DeepBrainNet在帮助放射科医生进行脑肿瘤了图像分类任务，包括医学成像领域。然而，在脑

诊断方面的稳健性和临床潜力。肿瘤检测中应用深度学习仍然面临诸如模型效

率、计算成本和由于小规模医疗数据集而引起的

过拟合等重大挑战。在这项研究中，我们提出了