WBM-DLNets: Wrapper-Based Metaheuristic Deep Learning Networks Feature Optimization for Enhancing Brain Tumor Detection.
WBM-DLNets: Wrapper-Based Metaheuristic Deep Learning Networks Feature Optimization for Enhancing Brain Tumor Detection.
复制标题
DOI：
10.3390/bioengineering10040475
复制
发表时间：
2023-04-14
期刊：
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
这项研究提出了基于包装器的元启发式深度学习网络（WBM-DLNets）特征优化算法，用于使用磁共振成像进行脑肿瘤诊断。在本文中，使用16个预先训练的深度学习网络来计算特征。八个元启发式优化算法，即海洋捕食者算法，原子搜索优化算法（ASOA），哈里斯鹰优化算法，蝴蝶优化算法，鲸鱼优化算法，灰狼优化算法（GWOA），蝙蝠算法，萤火虫算法，使用支持向量机（SVM）为基础的成本函数的分类性能进行评估。应用深度学习网络选择方法来确定最佳深度学习网络。最后，将最好的深度学习网络的所有深度特征连接起来，以训练SVM模型。所提出的WBM-DLNets方法基于可用的在线数据集进行验证。结果表明，相对于使用完整的深度特征集获得的特征，通过利用使用WBM-DLNets选择的特征，分类精度得到了显着提高。DenseNet-201-GWOA和EfficientNet-b 0-ASOA的分类准确率最高，达到95.7%。此外，WBM-DLNets方法的结果与文献中报道的结果进行了比较。
This study presents wrapper-based metaheuristic deep learning networks (WBM-DLNets) feature optimization algorithms for brain tumor diagnosis using magnetic resonance imaging. Herein, 16 pretrained deep learning networks are used to compute the features. Eight metaheuristic optimization algorithms, namely, the marine predator algorithm, atom search optimization algorithm (ASOA), Harris hawks optimization algorithm, butterfly optimization algorithm, whale optimization algorithm, grey wolf optimization algorithm (GWOA), bat algorithm, and firefly algorithm, are used to evaluate the classification performance using a support vector machine (SVM)-based cost function. A deep-learning network selection approach is applied to determine the best deep-learning network. Finally, all deep features of the best deep learning networks are concatenated to train the SVM model. The proposed WBM-DLNets approach is validated based on an available online dataset. The results reveal that the classification accuracy is significantly improved by utilizing the features selected using WBM-DLNets relative to those obtained using the full set of deep features. DenseNet-201-GWOA and EfficientNet-b0-ASOA yield the best results, with a classification accuracy of 95.7%. Additionally, the results of the WBM-DLNets approach are compared with those reported in the literature.
登录
查看更多内容
DOI：
10.3390/diagnostics12081793
发表时间：
2022-07-24
期刊：
Diagnostics (Basel, Switzerland)
影响因子：
--
作者：
通讯作者：
--
影响因子：
4.1
作者：
Arora, Sankalap;Singh, Satvir
通讯作者：
Singh, Satvir
影响因子：
3.2
作者：
Debelee TG;Kebede SR;Schwenker F;Shewarega ZM
通讯作者：
Shewarega ZM
影响因子：
8.5
作者：
Faramarzi, Afshin;Heidarinejad, Mohammad;Gandomi, Amir H.
通讯作者：
Gandomi, Amir H.
影响因子：
6
作者：
Emary, E.;Zawba, Hossam M.;Hassanien, Aboul Ella
通讯作者：
Hassanien, Aboul Ella