基于注意力的高效Ghost-ResNet用于磁共振成像 (MRI) 中的大脑瘤分类
Nahlah Shatnawi1, Khalid M O Nahar1, Rabia Emhamed Al Mamlook2,3
1Department of Computer Science, Faculty of Information Technology and Computer Sciences, Yarmouk University, Irbid, Jordan.
Frontiers in neuroscience
|March 11, 2026
概括
使用幽灵模块和高效通道注意力 (ECA) 块的新深度学习模型在MRI扫描上实现了大脑瘤分类的高精度. 这种高效的架构可以在资源有限的环境中提高诊断性能.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 通过MRI进行脑瘤分类具有挑战性,尤其是在计算限制下.
- 现有的深度学习模型通常需要大量的资源,限制了临床部署.
- 对于实际的医学成像应用,需要高效而准确的模型.
研究的目的:
- 为脑瘤分类提出一个以效率为导向的深度学习架构.
- 为了增强功能学习和减少医疗图像分析中的计算开销.
- 为了平衡临床使用的分类准确性和计算效率.
主要方法:
- 开发了一种轻量级的深度学习架构,将Ghost模块与ResNet-50骨干集成在一起.
- 整合了高效通道注意力 (ECA) 块,以提高特征可区分性.
- 评估了孟加拉国脑癌MRI数据集 (6,056张图像) 的模型,使用CLAHE预处理和选择性数据增强.
主要成果:
- 获得了97.85%的整体分类准确度,用于质瘤,脑膜瘤和脑垂体瘤.
- 宏观平均精度,回忆和特异性都超过了97.8%.
- 与减少复杂性的DenseNet121相比,证明了1.65%的绝对准确性改进.
结论:
- 建议的注意力辅助轻量级架构对脑瘤分类有效.
- 以效率为导向的设计可以在不增加复杂性的情况下实现竞争性性能.
- 这种方法适用于资源有限的医学成像应用,提高诊断准确度,同时减少开销.
