Squeezed-Eff-Net：基于混合神经网络架构的断层扫描脑肿瘤分类边缘计算增强方法
计算机视觉与模式识别
2025-12-09 v1
摘要
脑肿瘤是最常见且最危险的神经系统疾病之一，需要及时且正确的诊断以提供合适的治疗方案。即便在磁共振成像（MRI）技术不断进步的背景下，肿瘤勾画过程依然困难且耗时，容易产生观察者间误差。为克服这些局限性，本工作提出了一种混合深度学习模型，该模型基于轻量级模型 SqueezeNet v1 和高性能模型 EfficientNet-B0，并通过手工设计的放射组学描述符进行增强，包括方向梯度直方图（HOG）、局部二值模式（LBP）、Gabor 滤波器和小波变换。该框架仅在公开可用的 Nickparvar 脑肿瘤 MRI 数据集上进行训练和测试，该数据集包含 7,023 张对比增强 T1 加权轴向 MRI 切片，分为四类：胶质瘤、脑膜瘤、垂体瘤和无肿瘤。模型的测试准确率达到 98.93%，通过测试时增强（TTA）后达到 99.08%，显示出强大的泛化能力和性能。与当前的深度学习结构相比，所提出的混合网络在计算效率和诊断准确性之间取得了平衡，且仅需使用不到 210 万个参数和低于 1.2 GFLOPs 的计算量进行训练。手工特征的加入提高了对纹理的敏感性，而 EfficientNet-B0 骨干网络则表示了复杂的层次化特征。最终模型在基于 MRI 的肿瘤自动分类中具有近乎临床的可靠性，突显了其在临床决策支持系统中的应用潜力。
引用
@article{arxiv.2512.07241,
title = {Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture},
author = {Md. Srabon Chowdhury and Syeda Fahmida Tanzim and Sheekar Banerjee and Ishtiak Al Mamoon and AKM Muzahidul Islam},
journal= {arXiv preprint arXiv:2512.07241},
year = {2025}
}