Biomedical Signal Processing and Control· 2026Q1
Kontrollü bir MRI tabanlı beyin tümörü tespitinde CNN mimarileri kıyaslaması: Özel ağlar ve transfer öğrenme ile Vision Transformer temelleri birleşik bir görüntü işleme hattı altında
A controlled benchmark of CNN architectures for MRI-based brain tumor detection: Custom networks and transfer learning versus Vision Transformer baselines under a unified image-processing pipeline
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Vision Transformer ViT-B/16, birleşik bir işleme hattı altında MRI beyin tümörü sınıflandırması için en yüksek doğruluğu (%0.9665) ve F1 skorunu (%0.9662) elde ederek, Swin-Tiny ve çeşitli CNN'ler dahil diğer mimarileri geride bıraktı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- ViT-B/16, 12 MRI beyin tümörü tespit mimarisinin başa baş kıyaslamasında en iyi doğruluğu (%0.9665) ve F1 skorunu (%0.9662) elde etti.
- Transformer avantajı mimariye özgüdür, çünkü Swin-Tiny (0.9297 doğruluk) en iyi CNN'leri geçemedi.
- Transfer öğrenme CNN'leri (VGG-16: %0.9521, ResNet-50: %0.9473) ve en iyi özel CNN (Arch-3: %0.9489) rekabetçiydi.
- MobileNetV2 en iyi doğruluk-verimlilik dengesini sundu.
- Girdi normalizasyonu, donmuş transfer öğrenme modellerinin performansını önemli ölçüde etkileyen kritik, genellikle göz ardı edilen bir ön işleme adımıdır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Magnetic resonance imaging (MRI) is the reference modality for non-invasive brain-tumor assessment, but visual interpretation is slow, subject to inter-observer variability and hard to scale. Computer-aided systems based on convolutional neural networks (CNNs) can help, yet the biomedical image-processing literature lacks fair, head-to-head comparisons of custom and pre-trained models under a single pipeline. We present a controlled benchmark of twelve architectures — six custom CNNs, four pre-trained transfer-learning CNNs (VGG-16, VGG-19, ResNet-50 and MobileNetV2) and two Vision Transformers (ViT-B/16 and Swin-Tiny) — for binary tumor-versus-no-tumor classification in MRI, all trained under the same data, augmentation, splits, optimizer and learning-rate sweep, with model-appropriate input normalization. The Vision Transformer ViT-B/16 attains the best accuracy (0.9665) and F1 score (0.9662), whereas the hierarchical Swin-Tiny reaches only 0.9297 and does not beat the CNNs, indicating that the transformer advantage is architecture-specific rather than generic. With backbone-appropriate preprocessing the transfer-learning CNNs are strong (VGG-16 0.9521, ResNet-50 0.9473) and the best custom network trained from scratch (Arch-3, 0.9489) is competitive, so the gap between families is narrow; MobileNetV2 offers the best accuracy–efficiency trade-off. A preprocessing ablation shows that input normalization is a decisive, commonly neglected factor for frozen transfer learning: under a naive [ 0 , 1 ] pipeline ResNet-50 collapses to 0.8147 and Swin-Tiny to 0.8546, while MobileNetV2 and ViT-B/16 remain robust. Grad-CAM confirms that MobileNetV2 attends to tumor regions. The benchmark, released with public code, offers reproducible guidance for selecting architectures in clinical decision-support and edge-deployment scenarios.
Yazarların özeti; kaynağından alınmıştır. Biomedical Signal Processing and Control, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Nöroloji (Sinirbilim)
NeurologyNeuroscience