基于多维注意力和轮卷积的新型残留网络用于脑瘤分类
Jincan Zhang1, Rongfu Lv1, Wenna Chen2
1College of Information Engineering, Henan University of Science and Technology, Luoyang, China.
Scientific reports
|August 23, 2025
概括
一个新的Res-MAPNet模型使用先进的注意力和卷积技术改进了脑瘤分类. 这种人工智能方法可以达到很高的准确性,
科学领域:
- 医学成像分析
- 医疗保健中的人工智能
- 神经瘤学
背景情况:
- 精确的脑瘤分类对于有效治疗至关重要.
- 医学成像中的卷积神经网络 (CNN) 在特征提取和关注关键细节方面面临限制.
- 现有方法需要改进以提高诊断准确度.
研究的目的:
- 推出基于多维注意力和轮卷积 (Res-MAPNet) 的新型残留网络,用于基于磁共振成像 (MRI) 的脑瘤分类.
- 增强特征提取能力,并专注于医学图像分析中的关键信息.
- 为计算机辅助诊断系统开发一个高效,强大的解决方案.
主要方法:
- 开发Res-MAPNet模型,其中包括协调地方重要性增强注意力 (CLIA) 和Pinwheel-Shaped Attention Convolution (PSAConv) 模块.
- CLIA模块集成了通道注意力,空间注意力和方向感知位置编码,以聚焦损伤.
- PSAConv模块使用非对称填充和分组卷积来改善空间特征感知和感知场.
主要成果:
- 在三类脑瘤分类中,Res-MAPNet模型的准确度达到99.51%,在四类分类中达到98.01%.
- 废除研究表明CLIA和PSAConv模块的显著贡献,分别超过了ConvNeXt基线的4. 41%和4. 45%.
- 提出的模型在脑瘤分类任务中表现优于现有的主流模型.
结论:
- Res-MAPNet提供了使用MRI数据进行脑瘤分类的高效和强大的解决方案.
- 新的CLIA和PSAConv模块有效地增强特征提取,并专注于关键的诊断信息.
- 这项研究为计算机辅助诊断系统的临床应用提供了一个有前途的工具.
