MRIを用いた脳腫瘍診断（BTD）のための畳み込みニューラルネットワーク（CNN）と人工ニューラルネットワーク（ANN）のトポロジーの最適化

脳腫瘍診断（BTD）および腫瘍タイプ検出のためのMRI分析の利用は、機械視覚の分野において重要な意義を持っています。この問題に対処するために多くの手法が提案されており、深層学習（DL）アプローチを用いることでこの分野で重要な進展が達成されています。人工ニューラルネットワーク（ANN）や深層ニューラルネットワーク（DNN）を用いた大多数の提案されたアプローチは、ベイズツリーダウントレント（BTD）において満足のいく性能を示していますが、これらの研究のいずれもが採用した学習モデル構造の最適性を保証することはできません。簡単に言うと、BTDにおけるこれらの学習モデルの効率には改善の余地があります。本研究は、BTDの問題に対処するために、畳み込みニューラルネットワーク（CNN）と人工ニューラルネットワーク（ANN）の構成を最適化する新しいアプローチを提案します。提案されたアプローチは、脳のMRIをセグメント化するために畳み込みニューラルネットワーク（CNN）を使用します。モデルの構成可能なハイパーパラメータは遺伝的アルゴリズム（GA）を使用して調整されます。多次元主成分分析（MPCA）は、セグメント化された特徴の次元を削減するために、画像がセグメント化された後に使用されます。最終的に、セグメンテーション手法は人工ニューラルネットワーク（ANN）を使用して実行されます。この人工ニューラルネットワーク（ANN）では、遺伝的アルゴリズム（GA）が隠れ層の理想的なニューロン数と適切な重みベクトルを設定します。提案されたアプローチの有効性は、BRATS2014およびBTD20データベースを用いて評価されました。結果は、提案された方法がこれら二つのデータベースからのサンプルをそれぞれ平均98.6%および99.1%の精度で分類できることを示しており、これは前の方法に対して少なくとも1.1%の精度向上を表しています。