MLG:用于脑瘤分类的混合本地和全球模型
Wenna Chen1, Xinghua Tan2, Jincan Zhang2
1The First Affiliated Hospital, and College of Clinical Medicine of Henan University of Science and Technology, Luoyang, China.
Frontiers in neuroscience
|July 18, 2025
概括
一个新的混合本地和全球 (MLG) 模型使用集成的本地和全球特征准确地分类大脑瘤. 这种计算机辅助诊断系统实现了高准确度,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:
- 大脑瘤对健康构成重大风险,需要准确的分类才能有效治疗.
- 计算机辅助诊断 (CAD) 系统为脑瘤分化提供了一种可靠的方法.
研究的目的:
- 为大脑瘤分类提出一个高度准确的混合本地和全球 (MLG) 模型.
- 通过有效地整合本地和全球图像特征来提高脑瘤分类.
主要方法:
- MLG模型使用卷积神经网络 (CNN) 来进行本地特征提取,并使用变压器来进行全球特征提取.
- 一个封闭的注意力机制融合了REMA区块 (本地) 和Biformer区块 (全球) 的特征.
- 雷马区块保留了本地特征的表达力,而Biformer区块专注于相关的全球信息.
主要成果:
- 在Chen数据集上,MLG模型达到99.02%的准确性,在Kaggle数据集上达到97.24%的准确性.
- 在脑瘤分类任务中,性能超过了现有的最先进模型.
- 在公共数据集上的实验验证证证了该模型的有效性和优越性.
结论:
- 拟议的MLG模型在脑瘤分类方面表现出卓越的性能.
- 通过封闭式关注来有效地整合本地和全球特征,大大提高了分类准确性.
- MLG模型代表了脑瘤诊断的计算机辅助系统的重大进步.
