腫瘍分類のための脳MRIからの特徴抽出に最適化されたカスケードCNNアプローチ

本研究は、事前学習モデルと注意メカニズムを活用することによって脳腫瘍の分類を強化し、特徴抽出を通じて医療画像診断における精度と信頼性を向上させます。生成的敵対的ネットワーク（GAN）を使用してアーティファクトの除去を行い、画像は224x224ピクセルにリサイズされます。4つの事前学習モデル（VGG16、ResNet50、NASNet、DenseNet121）が異なる特徴を捉え、カスタムCNNがこれらのモデルを畳み込みブロック注意モジュール（CBAM）と統合します。バルドイーグル最適化（BEO）アルゴリズムを使用してハイパーパラメータを最適化し、探索と活用のバランスを取ります。提案されたカスタムCNNは、3つのデータセット（Br35H、FIGSHARE、SARTAJ）で脳腫瘍データを分類する際にすべての事前学習モデルを上回り、Br35Hデータセットで最高精度0.9722、感度0.9689、精度0.9721、Fスコア0.9708を達成しました。CBAM（Custom-CNN-CBAM）の導入により、Br35Hデータセットでの精度が0.9433から0.9572に、FIGSHAREデータセットでの精度が0.9336から0.9501に向上し、最高のFスコア0.9598を達成しました。BEOを活用したカスタムCNN-CBAMモデル（Custom-CNN-CBAM-BEO）は、遺伝的アルゴリズム（GA）や粒子群最適化（PSO）で最適化されたモデルと比べて、優れた収束速度と精度を示し、BEO最適化アプローチの効果を強調しました。注意メカニズムと最適化技術を取り入れたさまざまなカスタムCNNモデルの評価では、Friedman検定でカスタムCNN-CBAM-BEOモデルが平均ランク5.68を達成し、Bonferroni-Dunn検定によってその優越性が確認されました。