用于大规模脑MRI分类的肿瘤感知DenseNet-Swin混合学习及增强与分层特征空间
计算机视觉与模式识别
2026-01-27 v1 机器学习
摘要
本研究提出了一种用于脑肿瘤MRI分析的高效密集Swin混合 (EDSH) 框架，旨在联合捕获细粒度纹理模式和长程上下文依赖关系。引入了两种肿瘤感知实验设置以解决特定类别的诊断挑战。第一种设置采用增强特征空间 (BFS)，其中独立定制的DenseNet和Swin_t分支学习互补的局部和全局表示，这些表示经过维度对齐、融合和增强，通过成功学习不规则形状、边界不清的肿块和异质纹理的特征，实现了对弥漫性胶质瘤模式的高灵敏度检测。第二种设置采用具有双残差连接深度特征提取 (DFE and DR) 的分层DenseNet-Swin架构，其中DenseNet作为主干CNN用于结构化局部特征学习，而Swin_t对全局肿瘤形态进行建模，通过学习边界清晰的肿块、位置（脑外）和肿瘤增大（硬脑膜尾或向上延伸）的特征，有效抑制了脑膜瘤和垂体瘤分类中的假阴性。DenseNet在输入层进行定制以匹配MRI空间特征，利用密集残差连接来保留纹理信息并缓解梯度消失效应。同时，Swin_t通过任务对齐的补丁嵌入和移位窗口自注意力进行定制，以高效捕获分层全局依赖关系。在大规模MRI数据集（涵盖四种肿瘤类别的严格筛选的40,260张图像）上的广泛评估表明，其性能持续优于独立的CNN、Vision Transformer和混合模型，在未见过的测试数据集上实现了98.50的准确率和召回率。
引用
@article{arxiv.2601.18330,
title = {A Tumor Aware DenseNet Swin Hybrid Learning with Boosted and Hierarchical Feature Spaces for Large-Scale Brain MRI Classification},
author = {Muhammad Ali Shah and Muhammad Mansoor Alam and Saddam Hussain Khan},
journal= {arXiv preprint arXiv:2601.18330},
year = {2026}
}
备注
33 Pages, 8 Tables, Figures 16