基于优化的DeepLabV3 +和具有自我注意力的融合火模块的多式脑瘤细分和分类.
Muhammad Sami Ullah1, Muhammad Attique Khan2, Yunyoung Nam3
1Department of Computer Science, HITEC University, Taxila, Pakistan.
European journal of medical research
|March 6, 2026
概括
我们开发了SMDeepNet,这是一种用于大脑瘤细分和分类的新型深度学习模型. 这种人工智能在细分瘤和分类模式方面取得了很高的准确性,超过了现有的方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 准确的脑瘤细分和分类对于有效的治疗计划至关重要.
- 深度学习模型已经显示出希望,但需要进一步优化复杂的医学成像任务.
研究的目的:
- 提出SMDeepNet,一种用于增强脑瘤细分和分类的新型深度学习架构.
- 评估SMDeepNet在BraTS 2023数据集上的表现.
主要方法:
- 开发了SMDeepNet,集成了一个优化的DeepLabV3+进行细分和一个具有自我注意力的Fused Fire模块进行分类.
- 采用ResNet-50骨干,具有动态超参数初始化和Atrous空间金字塔聚合 (ASPP) 来进行特征提取.
- 利用并行的火灾残留瓶 (Fire-RB) 和混合有效注意力 (Hybrid-EA) 框架,结合自我注意力进行分类.
主要成果:
- 实现了0.9871的细分精度,0.9420的子得分和0.8951的欧盟交叉点 (IOU).
- 实现的模式分类准确度为0.9920.
- 与最近的最先进技术相比,表现出优越的性能.
结论:
- SMDeepNet为大脑瘤细分和分类提供了强大而有效的深度学习解决方案.
- 拟议的架构显著改进了现有方法,为先进的神经瘤诊断铺平了道路.