在MRI图像中用脑-CNXSAMNet对脑瘤进行分类:集成混合ConvNeXt和空间注意力模块网络
1Department of Computer Engineering, Faculty of Engineering, Dicle University, Diyarbakır, 21280, Türkiye. huseyin.firat@dicle.edu.tr.
Interdisciplinary sciences, computational life sciences
|July 30, 2025
概括
一个新的混合人工智能模型使用ConvNeXt和空间注意力准确地从MRI扫描中对脑瘤 (BT) 进行分类. 这种先进的深度学习方法实现了高精度,改善了脑膜瘤,垂体和质瘤的早期检测和治疗策略.
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 (BT) 构成重大健康风险,需要通过磁共振成像 (MRI) 进行准确的早期检测.
- 由于细胞复杂性,对BT类型的分类具有挑战性,影响治疗决策.
- 由人工智能驱动的系统对于从MRI数据中高效准确的BT识别变得越来越重要.
研究的目的:
- 开发和评估一种新的混合深度学习模型,用于分类三种常见的大脑瘤类型:脑膜瘤,垂体瘤和质瘤.
- 用MRI图像提高自动脑瘤分类的准确性和效率.
- 利用先进的深度学习架构来提高神经瘤学中的诊断能力.
主要方法:
- 开发了一个混合模型,集成ConvNeXt和空间注意力机制 (SAM).
- ConvNeXt被用来扩大用于捕获广泛空间信息的接收场.
- 在ConvNeXt之后应用了SAM,以便集中注意力在关键的图像区域上,以改善分类.
主要成果:
- 混合模型在BSF数据集上实现了高分类准确率99.39%,在Figshare数据集上达到98.86%.
- 与最近的研究相比,拟议的模型显示出更高的性能.
- 该模型以显著缩短的培训时间实现了这些结果,表明了高效率.
结论:
- 混合型ConvNeXt-SAM模型代表了MRI自动分类脑瘤的重大进步.
- 该模型提供了一个高度准确和高效的解决方案,用于区分脑膜瘤,垂体和质瘤.
- 这项研究强调了集成深度学习方法在提高神经成像诊断准确性的潜力.
