MobileDenseAttn：用于精准且可解释脑肿瘤检测的双流架构
计算机视觉与模式识别
2025-08-27 v1 人工智能
摘要
脑肿瘤检测是确保及时诊断和治疗的重要方面，但人工分析通常耗时且容易出错。当前方法通用性有限，主要是由于对异质性肿瘤的泛化能力有限、计算效率不足、不可解释且缺乏透明度，从而限制了可信度。为克服这些问题，我们引入 MobileDenseAttn，一种融合 MobileNetV2 和 DenseNet201 的双流模型，帮助逐步提高特征表示尺度、计算效率和可视化解释，通过 GradCAM 实现。我们的模型采用特征级融合，在代表性腺瘤、脑膜瘤、垂体肿瘤和正常样本的6020例MRI扫描上进行训练。按照严格的5折交叉验证协议测量，MobileDenseAttn 提供了99.75% 的训练准确率、98.35% 的测试准确率以及稳定的0.9835 F1 分数（95%置信区间：0.9743至0.9920）。广泛的验证表明该模型稳定性卓越，比较分析证明其相对于基线模型（VGG19、DenseNet201、MobileNetV2）具有+3.67% 准确率提升以及相较于VGG19降低39.3% 的训练时间。GradCAM 热图清晰显示肿瘤受累区域，为临床相关的定位提供解释，提高了可解释性。这些发现将 MobileDenseAttn 定位为一种高效、高性能、可解释的模型，极有可能成为实际中识别脑肿瘤的临床实用工具。
引用
@article{arxiv.2508.18294,
title = {MobileDenseAttn:A Dual-Stream Architecture for Accurate and Interpretable Brain Tumor Detection},
author = {Shudipta Banik and Muna Das and Trapa Banik and Md. Ehsanul Haque},
journal= {arXiv preprint arXiv:2508.18294},
year = {2025}
}
备注
Submitted at ICCIT 2025 cox bazar, Bangladesh