在MRI扫描中使用边缘计算和浅层注意力引导CNN的脑瘤分类

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 大脑瘤需要精确的磁共振成像 (MRI) 来诊断和治疗.
• 深度学习 (AI) 在MRI分析中表现有前途,但通常会导致大型,缓慢的模型不适合边缘计算.
• 高效的AI模型对于大脑瘤分类的实际临床部署至关重要.

研究的目的:

• 开发一种新的,轻量级的,以注意力为导向的脑瘤分类模型.
• 研究方法来减少模型参数而不会影响诊断准确度.
• 为了提高人工智能驱动的大脑瘤分析的实用性,用于医学边缘计算.

主要方法:

• 开发了一个浅层的注意力引导卷积神经网络 (ANSA_Ensemble).
• 模型压缩技术和蒙特卡洛模拟用于评估.
• 该模型在三个不同的,开源的大脑瘤数据集上得到了验证.

主要成果:

• ANSA_Ensemble模型实现了高精度:98.04% (最佳) 和96.69% (平均) 在成数据集上.
• 在Bhuvaji (95.16%) 和Sherif (95.20%) 数据集中获得了可比的结果.
• 深度可分离的卷积提供了准确性和速度之间的最佳平衡.

结论:

• 提出的以注意力为导向的模型表现出与最先进的方法相匹配的性能.
• 越来越多的注意力障碍始终提高了模型的准确性.
• 该研究提供了一种高效的AI解决方案,用于大脑瘤分类,并提供公开可用的代码.