40、利用集成深度学习提升脑肿瘤诊断准确性

利用集成深度学习提升脑肿瘤诊断准确性

在医疗领域，脑肿瘤的准确诊断至关重要。本文将介绍一种利用集成深度学习技术来提升脑肿瘤诊断准确性的方法，涉及数据集选择、预处理、模型构建、集成技术以及结果评估等多个方面。

1. 数据集选择

为了构建有效的脑肿瘤诊断模型，我们将三个数据集（figshare、SARTAJ 数据集和 Br35H）进行了合并，创建了一个包含 7023 个人脑 MRI 扫描图像的数据集。该数据集分为垂体瘤、脑膜瘤、胶质瘤和无肿瘤四个类别。不过，Br35H 数据集中没有肿瘤类别的图像，而 SARTAJ 数据集中的胶质瘤类别图像分类可能不准确，因此我们删除了该文件夹中的图像，转而使用 figshare 网站上的图像。这一决策是基于他人的研究成果以及我们训练的多个模型的结果。

2. 预处理和归一化

• 预处理 ：首先，获取分辨率为 512 × 512 的 2D 切片图像。由于内存限制，为了训练神经网络，我们将每张图像的大小调整为 150 × 150。调整大小后，将训练和测试图像转换为数组，并对数据进行洗牌。使用 to-categorical 方法将标签数据转换为二进制。
• 归一化 ：归一化是将数据投影到预设范围（通常是 [0, 1] 或 [-1, 1]）的过程。我们对每个图像数据应用相同的方法（CNN 和迁移学习）进行归一化，常见的方法是将像素值除以 255.0，将其归一化到 0 到 1 之间。

3. 卷积神经网络（CNN）

在本研究中，用于脑肿瘤 MRI 分割的