Efficient Deep Learning Fusion-Based Approach for Brain Tumor Diagnosis
Notice bibliographique
Résumé
Technology has advanced to the point where it can influence every facet of human existence.Here, we look at how technology can help treat brain tumors, one of the most frequent malignancies and a leading cause of death.Many people lose their lives each year because of brain tumors.In the United States, roughly 85,000 new cases are diagnosed each year, bringing the total number of people with primary brain tumors to an estimated 700,000.Artificial intelligence has helped medicine and people overcome this challenge.Most brain cancers are detected via magnetic resonance imaging.Medical imaging and image processing make extensive use of magnetic resonance imaging for diagnosing anatomical differences.In this paper, we investigate the performance of various convolutional neural network (CNN) models like AlexNet, GoogleNet, VGGnet11, VGGnet13, VGGnet16, VGGnet19, ResNet18, ResNet34, ResNet50, ResNet101, ResNet152, DenseNet121, DenseNet161, DenseNet169, and DenseNet201 for brain tumor diagnosis tasks.On a dataset of 3264 MRI images, we perform experiments for healthy meningioma, glioma, and pituitary brain tumor classification.Our tests reveal that the ResNet and DenseNet models yield the highest accuracy (82%).Furthermore, we investigate the potential of a fusionbased approach where we test for different combinations of fusion of CNN models.The results show that fusing many CNN features improves accuracy even more.Classification accuracy is improved to 86% when ResNet50 and ResNet101 are fused and improves to 84% when DenseNet161 and DenseNet169 are fused.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».