DB-FGA-Net：用于多类脑肿瘤分类且具备Grad-CAM可解释性的双骨干频率门控注意力网络
机器学习
2026-04-20 v3 人工智能
摘要
脑肿瘤是神经肿瘤学中的一个具有挑战性的问题，早期精确诊断对于成功治疗至关重要。基于深度学习的脑肿瘤分类方法通常依赖大量的数据增强，这可能会限制泛化能力和临床应用的信任度。在本文中，我们提出了一个集成VGG16和Xception的双骨干网络，并带有频率门控注意力（FGA）模块，以捕获互补的局部和全局特征。我们的模型在无需增强的情况下实现了极具竞争力的性能，展示了其对不同大小和分布数据集的鲁棒性。为了进一步提高透明度，集成了Grad-CAM来可视化模型基于其进行预测的肿瘤区域，弥合了模型预测与临床可解释性之间的差距。所提出的框架在7K-DS数据集上的四类设定中达到了99.24%的准确率，在三类和二类设定中分别达到了98.68%和99.85%。在独立的3K-DS数据集上，该模型以95.77%的准确率进行泛化，在相同实验设定下优于几种基线方法。为了进一步支持临床可用性，我们开发了一个图形用户界面（GUI），提供实时分类和基于Grad-CAM的肿瘤定位。这些发现表明，像DB-FGA-Net这样无需增强、可解释且可部署的深度学习模型在脑肿瘤诊断的临床转化方面具有强大潜力。
引用
@article{arxiv.2510.20299,
title = {DB-FGA-Net: Dual Backbone Frequency Gated Attention Network for Multi-Class Brain Tumor Classification with Grad-CAM Interpretability},
author = {Saraf Anzum Shreya and MD. Abu Ismail Siddique and Sharaf Tasnim},
journal= {arXiv preprint arXiv:2510.20299},
year = {2026}
}
备注
25 pages, 14 figures, 13 tables