一个智能脑瘤检测模型使用轻量级混合双胞胎注意力金字塔卷积网络
S Lincy Jemina1, Tamilvizhi Thanarajan2
1Department of Computer Science and Engineering, Panimalar Engineering College, Chennai, 600123, India.
Scientific reports
|November 17, 2025
概括
一个新的混合轻量级深度学习框架 (HybLwDL) 从MRI扫描中准确检测大脑瘤 (BTs). 这种人工智能模型达到99.5%的准确性,改善了早期诊断和患者的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期和准确的脑瘤 (BT) 检测对于有效的治疗和改善患者结果至关重要.
- 医学成像,如MRI,提供了有价值的数据,但发现大脑癌症仍然具有挑战性.
- 深度学习方法为瘤分类提供了更高的计算效率和精度.
研究的目的:
- 提出一种混合轻量级深度学习框架 (HybLwDL),用于使用MRI图像进行高级脑瘤诊断.
- 通过创新的AI模型提高脑瘤检测的准确性和可靠性.
- 通过可视化关键图像区域来提高人工智能驱动的诊断工具的解释性.
主要方法:
- HybLwDL框架使用高斯双边网络过器 (GANF) 进行MRI图像预处理.
- 一个轻量级的混合双注意力金字塔卷积网络 (LHTA-PCNet) 与ResNet骨干执行特征提取和分类.
- 使用恒星振荡优化器 (SOO) 优化超参数,Grad-CAM可视化显著区域.
主要成果:
- 拟议的HybLwDL模型在BT检测2020数据集上实现了99.5%的高分类准确性.
- 该LHTA-PCNet模型有效地提取本地和全球特征,并获取多层次信息.
- 整合GANF和SOO有助于提高图像质量和分类性能.
结论:
- 该HybLwDL框架显示了高可靠性和准确性,用于MRI扫描的脑瘤分类.
- 这种深度学习方法为早期和精确的脑瘤检测提供了一个有希望的工具.
- 可视化功能增强了对医疗诊断中AI模型决策的理解.