共享密集连接和通道宽度对卷积块注意模块的影响,用于基于MRI的区域脑瘤分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 磁共振成像 (MRI) 对于诊断大脑疾病至关重要.
• 由于瘤类型之间的视觉相似性,精确的脑瘤分类具有挑战性.
• 现有的方法在MR图像的特征提取和分类准确性方面扎.

研究的目的:

• 通过使用一种新的注意力机制,增强用于MRI脑瘤分类的特征提取.
• 调查多个共享的密集层和通道缩小比对分类性能的影响.
• 为了提高脑瘤检测在多模式MRI的准确性和效率.

主要方法:

• 开发了一种与卷积块注意模块 (CBAM) 集成的多重共享密集通道注意 (MSDCAT) 模型.
• 利用密集的连接和特征重复使用特征的密集块的特征来进行歧视性特征提取.
• 在频道注意模块内内嵌入了4个共享的密集层,以及空间注意和一个结构化的密集块与一个过渡层.

主要成果:

• 拟议的MSDCAT模型在标准化数据库上实现了高准确率.
• 在Figshare数据集上达到99.70%的准确度,在Kaggle数据集上达到99.90%的准确度.
• 证明了卓越的特征提取能力,用于准确的脑瘤分类.

结论:

• 在MRI中,MSDCAT方法显著提高了脑瘤分类的准确性.
• 多层的共享密集层有效地从MRI数据中提取道注意力特征.
• 拟议的模型显示了在脑瘤诊断中临床应用的强大潜力.