一个多模式的适应性跨区域的注意力引导网络用于脑瘤分类
Ibrahim Abdelhaliem1,2, Jose Dixon3, Abeer Abdelhamid4
1Department of Computer Science, Faculty of Computers and Information, Assiut University, Asyut 71515, Egypt.
IEEE access : practical innovations, open solutions
|December 8, 2025
概括
这项研究引入了一种新的AI框架,用于使用多模式MRI进行脑瘤分类. 带有注意力机制的高级双分支3D CNN架构显著提高了诊断准确度和精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 准确的脑瘤分类对于有效治疗至关重要.
- 当前的人工智能诊断系统面临的挑战是多式联网数据预处理和功能调整.
- 现有的方法在3D架构中努力专注于共享瘤区域.
研究的目的:
- 为高级脑瘤分类开发一种基于人工智能的新型框架.
- 为了解决多模体MRI预处理和跨模体特征对齐方面的局限性.
- 加强对3D神经网络中共享瘤区域的关注.
主要方法:
- 提出了一种多模式的MRI架构,整合了扩散权重MRI (DW-MRI) 和T2权重MRI (T2-MRI).
- 实现了双分支3D神经架构,并采用可学习的高频信息保留 (HFIR) 预处理技术.
- 利用双分支3D CNNs与适应区域注意 (ARA) 模块进行特征提取和对齐.
主要成果:
- 该框架在脑MRI数据集上实现了92.86%的整体精度,80.00%的灵敏度和94.12%的特异性.
- 统计分析证实,与最先进的模型相比,其表现明显优于其他模型.
- 该ARA模块有效地协调并强调了跨模式的信息共享区域.
结论:
- 拟议的人工智能框架显示出精确诊断脑瘤的强大潜力.
- 新型架构有效地克服了多式联网数据处理和功能融合方面的局限性.
- 这种方法为神经瘤学的AI驱动的医学诊断提供了重大进步.
