DGG-XNet：一种用于多类脑病诊断的混合深度学习框架及可解释 AI
计算机视觉与模式识别
2025-06-18 v1
摘要
阿尔弗雷德氏病和脑肿瘤等脑血管疾病的精准诊断仍是医学影像中的关键挑战。传统方法依赖手动 MRI 分析，往往效率低下且易出错。为此，我们提出 DGG-XNet，一种集成 VGG16 和 DenseNet121 的混合深度模型，以提升特征提取与分类能力。DenseNet121 通过稠密连接促进特征复用和高效梯度传递，而 VGG16 贡献强大的层次化空间表征。两者的融合实现了神经疾病的稳健多分类。我们应用 Grad-CAM 可视化显著区域，以增强模型透明性。在BraTS 2021 和 Kaggle 组合数据集上训练测试，DGG-XNet 达到 91.33% 的测试准确率，精确率、召回率和 F1 分数均超过 91%。这些结果凸显了 DGG-XNet 在神经退行性和肿瘤性脑疾病计算机辅助诊断 (CAD) 中的潜在价值。
引用
@article{arxiv.2506.14367,
title = {DGG-XNet: A Hybrid Deep Learning Framework for Multi-Class Brain Disease Classification with Explainable AI},
author = {Sumshun Nahar Eity and Mahin Montasir Afif and Tanisha Fairooz and Md. Mortuza Ahmmed and Md Saef Ullah Miah},
journal= {arXiv preprint arXiv:2506.14367},
year = {2025}
}