用于 MRI 图像脑肿瘤分类与分割的新型深度学习架构
计算机视觉与模式识别
2025-12-09 v1 人工智能
机器学习
摘要
脑肿瘤对人类生命构成重大威胁，因此，在早期阶段准确检测它们对于更好的诊断和治疗至关重要。放射科医生可以手动从患者的 MRI 扫描图像中检测脑肿瘤。然而，近年来儿童和青少年中脑肿瘤的发病率有所上升，导致数据量巨大，因此手动检测既耗时又困难。随着人工智能在现代世界的出现及其在医学领域的广泛应用，我们可以尝试使用计算机辅助诊断（CAD）系统来自动早期检测脑肿瘤。所有现有的用于此任务的模型都未完全泛化，并且在验证数据上表现不佳。因此，我们提出了两种新颖的深度学习架构 - (a) SAETCN（自注意力增强肿瘤分类网络），用于对不同种类的脑肿瘤进行分类。我们在验证数据集上达到了 99.38% 的准确率，使其成为少数能够准确检测脑肿瘤的新型基于深度学习的架构之一。我们在包含 3 种类型肿瘤（胶质瘤、脑膜瘤和垂体瘤）和非肿瘤病例图像的数据集上训练了该模型。以及 (b) SAS-Net（自注意力分割网络），用于脑肿瘤的精确分割。我们实现了 99.23% 的整体像素准确率。
引用
@article{arxiv.2512.06531,
title = {Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images},
author = {Sayan Das and Arghadip Biswas},
journal= {arXiv preprint arXiv:2512.06531},
year = {2025}
}