95、低复杂度卷积神经网络用于肿瘤异常检测

低复杂度卷积神经网络用于肿瘤异常检测

1. 引言

在肿瘤检测领域，传统研究多基于单一数据集进行模型测试。而本文提出的新型卷积神经网络架构，在脑、肺、肾三种肿瘤数据集上进行了测试。这些数据集包含正常、良性和恶性样本，不同数据集和多样的癌症分类问题，验证了检测效率的可信度，使该方法成为现代肿瘤学中可靠的医疗工具。

2. 相关工作

在医学影像领域，有多种人工智能算法用于脑癌分类和检测，如支持向量机（SVM）、K近邻算法（KNN）和人工神经网络（ANN）。卷积神经网络（CNN）因在MRI或CT图像分类上表现出色，成为处理此类图像的首选。以下是不同研究在肿瘤分类上的应用及成果：
| 研究方向 | 研究方法 | 准确率 |
| ---- | ---- | ---- |
| 脑肿瘤二分类 | 结合图像增强和预处理方法与传统CNN方法 | 97.5%、94.1%、98% |
| 脑肿瘤二分类 | 混合CNN - SVM模型 | 88.54%、95%、95.62% |
| 肺肿瘤分类 | SVM分类器和基于IQ - OTHNCCD数据集的CNN GoogleNet | 89.88%、94.38% |
| 肺肿瘤分类 | KNN、SVM、朴素贝叶斯、随机森林 | - |
| 肺肿瘤分类 | CNN架构（VGG16、MobileNet等） | 48 - 56% |
| 肺肿瘤分类 | 混合3D CNN - SVM | 91.81% |
| 肾癌检测 | 机器学习方法区分良性和恶性肿瘤 | AUC值0.90 - 0.96 |
| 肾癌检测 | 修改后的GoogleNet架构 | - |
|