Una nueva red residual basada en la atención multidimensional y la convolución de la rueda para la clasificación de...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en la salud
• Neuro-oncología

Sus antecedentes:

• La clasificación precisa del tumor cerebral es crucial para un tratamiento eficaz.
• Las Redes Neurales Convolucionales (CNNs) en imágenes médicas enfrentan limitaciones en la extracción de características y el enfoque en detalles críticos.
• Los métodos existentes requieren mejoras para mejorar la precisión del diagnóstico.

Objetivo del estudio:

• Introducir una nueva Red Residual basada en la Atención Multidimensional y la Convolución de Ruedas (Res-MAPNet) para la clasificación de tumores cerebrales basada en imágenes de resonancia magnética (MRI).
• Mejorar las capacidades de extracción de características y centrarse en la información crítica en el análisis de imágenes médicas.
• Desarrollar una solución eficiente y robusta para los sistemas de diagnóstico asistido por ordenador.

Principales métodos:

• Desarrollo del modelo Res-MAPNet que incorpora los módulos de Atención de Mejora de Importancia Local Coordinada (CLIA, por sus siglas en inglés) y Convolución de Atención en Forma de Rueda (PSAConv, por sus siglas en inglés).
• El módulo CLIA integra la atención del canal, la atención espacial y la codificación posicional consciente de la dirección para el enfoque de la lesión.
• El módulo PSAConv utiliza relleno asimétrico y convolución agrupada para mejorar la percepción de características espaciales y el campo receptivo.

Principales resultados:

• El modelo Res-MAPNet logró una precisión del 99,51% en la clasificación de tres clases de tumores cerebrales y del 98,01% en la clasificación de cuatro clases.
• Los estudios de ablación demostraron las contribuciones significativas de los módulos CLIA y PSAConv, superando la línea de base de ConvNeXt en un 4,41% y 4,45%, respectivamente.
• El modelo propuesto superó a los modelos convencionales existentes en las tareas de clasificación de tumores cerebrales.

Conclusiones:

• Res-MAPNet ofrece una solución eficiente y robusta para la clasificación de tumores cerebrales utilizando datos de resonancia magnética.
• Los nuevos módulos CLIA y PSAConv mejoran efectivamente la extracción de características y se centran en la información de diagnóstico crítica.
• El estudio presenta una herramienta prometedora con potencial para aplicaciones clínicas en sistemas de diagnóstico asistido por ordenador.