SKIPNet：用于增强脑肿瘤分类的空间注意力跳过连接
图像与视频处理
2024-12-11 v1 计算机视觉与模式识别
摘要
通过磁共振成像(MRI)早期检测脑肿瘤对于及时治疗至关重要，但在偏远地区的诊断设施获取仍有限。股骨肿瘤是最常见的原发性脑肿瘤，来源于脑干和脊髓中髓系细胞的恶性肿瘤化，脑腔瘤患者的中位生存时间不足14个月。MRI作为一种非侵入性且有效的肿瘤检测方法，但手工分割脑MRI扫描传统上是神经放射学家的劳动密集型任务。近期计算机辅助设计(CAD)、机器学习(ML)和深度学习(DL)的进展为自动化这一过程提供了有前景的解决方案。本研究提出一种用于脑肿瘤检测和分类的自动化深度学习模型。该模型融合了空间注意力机制，实现了96.90%的准确率，增强了对上下文信息的聚合，以实现更好的模式识别。实验结果表明，所提方法优于基线模型，凸显了其鲁棒性及其在自动化MRI基础脑肿瘤分析中的潜在价值。
引用
@article{arxiv.2412.07736,
title = {SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification},
author = {Khush Mendiratta and Shweta Singh and Pratik Chattopadhyay},
journal= {arXiv preprint arXiv:2412.07736},
year = {2024}
}