基于网格搜索和坐标上升优化的卷积神经网络架构的脑癌MRI分类

磁共振成像（MRI）是脑癌诊断与分类的重要工具。结合现代卷积神经网络（CNN）技术，可有效提升肿瘤分类的准确率与效率，为临床医生提供重要参考。既往研究表明，CNN在医学图像分类中具有优势。然而，针对不同CNN模型在脑癌MRI图像分类任务中性能差异及其超参数优化的深入探讨仍显不足，限制了临床应用中的模型选择与准确率提升。本研究旨在为脑癌MRI图像分类提供一种CNN模型选择与优化方法学，以提高分类准确率与可靠性。研究选取了不同层级与复杂度的CNN模型，包括LeNet-5、AlexNet与ResNet-18，并采用带坐标上升增强的网格搜索法（GSECA）进行超参数优化，为脑癌MRI图像分类提供了可行的模型选择与优化方法学。实验结果表明，本文所述方法在使用孟加拉国脑癌MRI图像四分类数据集（PMRAM）进行分类时取得了优异结果。基于ResNet-18模型的分类，测试准确率达到95.69%，胶质瘤（Glioma）、脑膜瘤（Meningioma）、正常（Normal）与垂体瘤（Pituitary）四类的F1分数分别达到94.33%、94.07%、96.12%与98.21%。其中垂体瘤类别的精确率为99.10%。该结果显著优于AlexNet与LeNet-5，在同类研究中处于优异水平，实现了有效的模型筛选。同时，验证了网络深度与有效超参数优化在此类任务中对提升分类性能的重要性。