哈尔初始化的参数波纹压缩与注意力驱动的轻量级CNN用于边缘设备上的脑瘤分类
1Department of Electronics and Communication Engineering, APJ Abdul Kalam Technological University, Federal Institute of Science and Technology, Thiruvananthapuram, Kerala, 695016, INDIA.
Biomedical physics & engineering express
|January 13, 2026
概括
这项研究引入了一种新的混合人工智能框架,用于从压缩MRI扫描中准确识别脑瘤. 该模型达到96%的准确性,优于现有方法,同时对实时边缘部署具有高效性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 通过磁共振成像 (MRI) 准确识别脑瘤对于有效的治疗计划至关重要.
- 现有的方法经常在压缩数据,计算效率和可解释性方面扎.
- 需要轻量级,可解释的模型,适合实时,基于边缘的应用.
研究的目的:
- 从压缩的MRI数据开发一个轻量级的混合框架,以有效和可解释的脑瘤识别.
- 将参数波形变换 (PWT) 与卷积神经网络 (CNN) 和自我注意机制集成.
- 为了提高模型的可解释性,并验证其在边缘设备上的性能.
主要方法:
- 开发了一种新的参数波纹变换 (PWT) 层,初始化Haar波纹,用于自适应压缩和从MRI数据中提取特征.
- 一个轻量级的CNN骨干处理频率域特征,增强了多头自我注意机制,以提高辨别能力.
- 用Grad-CAM可视化用于模型解释性,突出显示与瘤相关的区域.
主要成果:
- 拟议的框架实现了96.0%的分类准确度,超过了MobileNetV2 (93.0%) 和MobileNetV3Small (95.2%) 等基准模型.
- 该模型以更少的可训练参数 (约280万) 和更快的训练时间证明了效率.
- 在Raspberry Pi 5上成功部署证实了它适用于实时,关心点,边缘应用程序的适用性.
结论:
- 混合PWT-CNN-Attention框架为压缩MRI的脑瘤分类提供了一个强大的和可解释的解决方案.
- 适应频域压缩和注意力机制的整合显著提高了诊断的准确性和效率.
- 该模型在边缘设备上的性能为先进,可访问的医学成像诊断铺平了道路.
