双功能交叉融合网络用于精确的脑瘤分类:一种神经计算方法
Muthalakshmi M1, Surya G2, Mininath Bendre3
1Department of Biomedical Engineering, Vel Tech Rangarajan Dr.Sagunthala R&D Institute of Science and Technology, Chennai, Tamil Nadu, India.
The International journal of neuroscience
|September 23, 2025
概括
一个新的深度学习模型,双特征交叉融合网络 (DF-CFN),准确地从MRI扫描中分类大脑瘤. 这种自动化方法提高了各种瘤类型的诊断效率和可靠性.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 大脑瘤是一个重大的诊断挑战,需要准确的分类才能有效治疗.
- 磁共振成像 (MRI) 对于非侵入性脑瘤诊断至关重要,但手动解释是主观的,耗时的.
研究的目的:
- 开发和验证一种新的深度学习架构,即双功能交叉融合网络 (DF-CFN),用于使用MRI数据进行自动化脑瘤分类.
- 与传统方法相比,提高脑瘤诊断的准确性和效率.
主要方法:
- 该DF-CFN模型集成了全球特征的ConvNeXt和局部特征的浅CNN与FcaNet,利用跨特征的融合机制.
- 该模型在Kaggle和FigShare数据集上进行了训练和验证,包括质瘤,脑膜瘤,垂体和非瘤类.
主要成果:
- 该DF-CFN实现了高精度,在Kaggle数据集上达到99.33%,在FigShare数据集上达到99.22%.
- 对比分析表明,DF-CFN在脑瘤分类的精度和稳定性方面优于基线和最近的模型.
结论:
- 拟议的DF-CFN模型显示了帮助临床医生从MRI中可靠和高效地分类脑瘤的巨大潜力.
- 使用DF-CFN的自动分类可以减少诊断工作量并改善患者管理策略.