一种基于多模型结合的用于脑肿瘤图像分类迁移学习方法

本发明公开一种基于多模型结合的用于脑肿瘤图像分类迁移学习方法，包括：先对图像进行边缘轮廓裁剪等预处理，再通过旋转等操作进行数据增强，扩充均衡数据集；构建ResNet50+EfficientNetB0混合架构，以并行双分支结构提取特征，经全局平均池化、特征连接，结合L2正则化与Dropout层优化，由SoftMax函数完成分类；基于迁移学习用增强数据集训练微调模型，最后在Kaggle数据集上通过5折交叉验证，并与其他模型对比评估。该方法大幅提升分类精度，最优准确率达98.99％，增强模型泛化能力，平衡计算资源与性能，为脑肿瘤精准诊断提供有效方案。