10、深度学习在癌症诊断中的应用：脑肿瘤与肝肿瘤分析

深度学习在癌症诊断中的应用：脑肿瘤与肝肿瘤分析

1. 脑肿瘤分类实验

1.1 网络训练参数

本次研究在配备特定硬件和软件的台式计算机上进行模拟实验。具体配置为：Intel(R) Core (TM) i5–6500 CPU @ 3.20GHz 3.19 GHz 处理器、64 位操作系统、16.0 GB 内存（RAM）以及 x64 架构处理器，使用 Python 3.7 Jupyter notebook 软件。网络架构的输入滤波器大小为 256 × 256 × 3，训练轮数设定为 100，小 2C 和大 2C 数据集的批量大小均为 16，学习率为 0.001。采用 Adam 优化器（β1 = 0.9，β2 = 0.999）和 Xavier 内核初始化器。

1.2 脑肿瘤 MRI 数据集

实验使用从 Kaggle 数据库获取的两个公开脑 MRI 数据集，分别命名为小 2C 和大 2C。小 2C 数据集包含 253 个样本，其中 155 个样本有癌症，98 个样本无肿瘤；大 2C 数据集有 3000 个样本，1500 个有肿瘤，1500 个无肿瘤。

1.3 肿瘤识别准确率

为评估提出的 PDSCNN 架构性能，在小 2C 和大 2C 两个脑肿瘤数据集上进行实验，并将其肿瘤识别准确率与迁移学习和集成迁移学习网络进行比较。结果显示，PDSCNN 架构在两个数据集上均取得了比现有网络更高的肿瘤识别准确率，小 2C 数据集达到 100%，大 2C 数据集达到 98.33%。

1.4 混淆矩阵

通过混淆矩阵评估 PDSCNN 架构的性能。使用混淆矩阵计算统计性能指标，如准确率、特异性