Основні поняття
Zwei neuartige bi-fold gewichtete Ensemble-Modelle zur Verbesserung der Leistungsfähigkeit gewichteter Ensemble-Methoden für die Erkennung und Klassifizierung von Hirntumoren.
Анотація
Der Artikel präsentiert zwei neuartige bi-fold gewichtete Ensemble-Modelle zur Erkennung und Klassifizierung von Hirntumoren:
-
Erweitertes Soft-Voting-Verfahren (ESVT):
- Verbesserung des Soft-Voting-Verfahrens durch Einführung eines neuartigen unüberwachten Gewichtungsschemas
- Kombination der Vorhersagen mehrerer Klassifikatoren und Auswahl der Vorhersage mit der höchsten Wahrscheinlichkeit
-
Neuartiges Gewichtungsverfahren (NWM):
- Verwendung des vorgeschlagenen unüberwachten Gewichtungsschemas
- Berechnung der gewichteten optimalen Vorhersage zur Verbesserung der Leistung
Beide Ansätze verwenden drei verschiedene Modelle: ein benutzerdefiniertes CNN, VGG-16 und InceptionResNetV2, die auf öffentlich verfügbaren Datensätzen trainiert wurden.
Die Leistungsfähigkeit der vorgeschlagenen Systeme wurde durch Blindtests evaluiert, bei denen hervorragende Ergebnisse erzielt wurden. Es wurde eine vergleichende Analyse der Leistung der vorgeschlagenen Methoden mit dem herkömmlichen Soft-Voting-Verfahren durchgeführt, um ihre Überlegenheit und Wirksamkeit zu zeigen.
Статистика
Die Erkennungsgenauigkeit des NWM-Verfahrens beträgt 99,78%.
Die Klassifizierungsgenauigkeit des NWM-Verfahrens beträgt 98,12%.
Die Erkennungsgenauigkeit des ESVT-Verfahrens beträgt 99,64%.
Die Klassifizierungsgenauigkeit des ESVT-Verfahrens beträgt 97,57%.
Die Erkennungsgenauigkeit des herkömmlichen Soft-Voting-Verfahrens beträgt 99,43%.
Die Klassifizierungsgenauigkeit des herkömmlichen Soft-Voting-Verfahrens beträgt 94,15%.
Цитати
"Zwei neuartige bi-fold gewichtete Ensemble-Modelle zur Verbesserung der Leistungsfähigkeit gewichteter Ensemble-Methoden für die Erkennung und Klassifizierung von Hirntumoren."
"Die Leistungsfähigkeit der vorgeschlagenen Systeme wurde durch Blindtests evaluiert, bei denen hervorragende Ergebnisse erzielt wurden."