Multi-Objective Image Fusion for Brain Tumor Detection Using Improved Weighted Quantum Firefly Optimization and StyleGAN-MAE-SwinViT
Notice bibliographique
Résumé
To improve diagnostic precision, the accurate fusion of imaging methods is necessary for brain tumor identification from imaging studies.Conventional fusion techniques frequently encounter issues such as noise interference, low contrast, and data loss, which reduce their effectiveness in clinical settings.This paper proposes a Multi-Objective Image Fusion architecture that combines StyleGAN-MAE-ViT and Improved Weighted Quantum Firefly Optimization (IWQFO) to address these challenges.The IWQFO method employs a quantum-inspired searching process to balance multiple objectives, including brightness enhancement, edge preservation, and architectural resemblance, to optimize the fusion process.Meanwhile, StyleGAN-MAE-ViT integrates the advantages of the Vision Transformer (ViT) for spatial attention-based tumor segmentation, the Masked Autoencoder (MAE) for robust feature reconstruction, and StyleGAN for high-fidelity image generation.To preserve critical tumor information while eliminating redundant noise, the proposed architecture fuses multi-modal MRI images (T1, T2, and FLAIR).Experimental evaluations conducted on benchmark brain tumor datasets demonstrate that the proposed approach outperforms existing fusion techniques in terms of Peak Signal-to-Noise Ratio (PSNR), tumor segmentation accuracy, Feature Similarity Index (FSIM), and Structural Similarity Index (SSIM).These findings validate the superiority of the IWQFO-StyleGAN-MAE-ViT fusion model in enhancing tumor visibility, aiding radiologists in making accurate and timely diagnoses.
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 | 0,000 | 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) | 0,000 | 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 ».