使用MR图像 (CB-CIRL Net) 进行脑瘤分类,将先前的贝叶斯关注与相关的开始和残留学习交叉
1Department of Electronics and Communication Engineering, Mepco Schlenk Engineering College, Sivakasi, Tamil Nadu 626 005, India.
Journal of neuroscience methods
|February 13, 2025
概括
这项研究介绍了CB-CIRL Net,这是使用磁共振 (MR) 图像进行脑瘤分类的新型模型. 该模型通过有效整合空间和通道智能的特征来提高诊断准确性,改进现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 从MRI图像中准确分类脑瘤对于诊断和治疗规划至关重要.
- 跨类别的瘤同质性提出了分类挑战.
- 现有的基于注意力的CNN在同时考虑空间和频道特定特征方面存在局限性.
研究的目的:
- 提出一种新型模型,CB-CIRL Net,用于增强脑瘤分类.
- 改进从MRI图像中提取空间和通道智能的特征.
- 为了解决现有的深度学习方法对脑瘤分类的局限性.
主要方法:
- 整合Bi-FocusNet与相关的学习和CB-Attention.
- 双焦点网使用相关的空间初始学习和相关的通道残留学习来提取各种特征.
- CB-Attention作为一个交叉学习模块,集成空间和道智能的信息.
主要成果:
- 拟议的模型在多个数据集上实现了高精度:99.02% (BT-large-2c),97.06% (Figshare) 和96.44% (Kaggle).
- 与现有的分类方法相比,证明了优越的性能.
- 在BT-Merged-4c数据集上实现了96.28%的准确性,显示了处理类变化的有效性.
结论:
- CB-CIRL Net有效地提取空间和通道智能的特征,提高脑瘤分类的准确性.
- 该模型的性能表明,它具有改善脑瘤诊断和临床应用的巨大潜力.
- Bi-FocusNet,相关学习和CB-Attention的新集成为医疗图像分析提供了一个强大的解决方案.
