混合转移学习和自我注意力框架,用于基于MRI的强大脑瘤分类
Soumyarashmi Panigrahi1, Dibya Ranjan Das Adhikary2, Binod Kumar Pattanayak1
1Department of Computer Science & Engineering, Siksha 'O' Anusandhan Deemed to be University, Bhubaneswar, India.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种混合深度学习模型,用于从MRI扫描中准确地分类脑瘤,达到99.41%的准确性. 该模型提高了诊断可靠性和透明度,改善了患者的治疗结果.
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:
- 脑瘤是全球癌症死亡的主要原因.
- 准确及时诊断对于改善患者生存率至关重要.
- 磁共振成像 (MRI) 用于脑瘤检测的手动分析是耗时且容易出现错误的,因此需要像计算机辅助诊断 (CAD) 系统这样的自动化解决方案.
研究的目的:
- 开发和评估一种新的混合深度学习模型,用于使用MRI图像进行增强的大脑瘤分类.
- 提高自动脑瘤检测系统的准确性,效率和可解释性.
- 为了利用转移学习 (TL) 和注意力机制,提高特征提取和分类性能.
主要方法:
- 提出了一种混合模型,DenseTransformer,它将DenseNet201卷积神经网络 (CNN) 的功能与变压器架构相结合.
- 该模型结合了多头自我注意 (MHSA) 和挤压激发注意 (SEA) 块,以改进特征表示.
- 用Br35H数据集 (3,000张MRI图像) 评估性能,并与其他预训练模型 (VGG19,InceptionV3,Xception,MobileNetV2,ResNet50V2) 进行比较.
- 统计验证使用Z测试,DeLong测试和McNemar测试进行.
- 可解释AI (XAI) 技术,包括梯度加权类激活映射 (Grad-CAM) 和局部可解释模型不可知解释 (LIME),用于模型可解释性.
主要成果:
- 拟议的密度变压器模型在脑瘤分类中实现了99.41%的高和一致的准确性.
- 统计分析证实了该模型的可靠性和卓越性能.
- XAI技术为模型的决策过程提供了透明度,增强了信任和可解释性.
结论:
- 开发的混合深度学习模型显示出作为用于脑瘤诊断的可靠和准确工具的巨大潜力.
- 整合转移学习和注意力机制有效地解决了MRI分析中的挑战,例如计算强度和噪声灵敏度.
- 这种人工智能驱动的医学成像技术的进步可以有助于改善患者的治疗结果和更有效的临床工作流程.
