基于迁移学习和改进EfficientNet-B0的脑肿瘤分类算法OA

针对现有脑肿瘤分类模型和方法复杂度高以及识别率低等问题,文中提出一种基于改进EfficientNet-B0的模型用于3种脑肿瘤分类。在数据预处理阶段,使用ROI(Region of Interest)特征裁剪出脑肿瘤图像的关键特征区域,并按肿瘤类型扩增数据集。根据卷积网络设计思想重新设计了EfficientNet中的MBConv(Mobile Inverted Bottleneck Convolution)模块,在首步卷积后引入卷积注意力CBAM(Convolutional Block Attention Module)。为了更完整地进行迁移学习,在不修改原始输出结构的基础上外接3个神经元用于脑肿瘤的三分类。改进网络模型具有更低的复杂度,可更好地适应肿瘤病灶的识别。文中利用迁移学习方法在公开数据集figshare-Brain Tumor Dataset上进行微调。实验结果表明,改进模型在该公共数据集上分类准确率为99.67%,相较于原始EfficientNet-B0网络提升了约3.1百分点。