利用深度学习方法在MRI扫描中实现脑肿瘤的自动检测

《NATIONAL ACADEMY SCIENCE LETTERS-INDIA》：Automated Brain Tumor Detection in MRI Scans Using Deep Learning Approaches

脑肿瘤MRI分类模型通过Xception架构集成CBAM和SE注意力机制实现高效特征优化，结合定制迁移学习解决数据稀缺问题，在Kaggle数据集上四类肿瘤分类准确率达99.47%，验证了模型在计算效率与临床实用性上的双重优势。

　　

摘要

为了提高诊断准确性和患者预后，必须快速且精确地对MRI扫描中发现的脑肿瘤进行分类。在这项研究中，我们提出了一种新颖的深度学习（DL）架构，该架构基于经过微调的Xception架构，并通过顺序集成两个注意力模块——卷积块注意力模块（CBAM）和挤压-激励（SE）模块进行了增强。这种双阶段注意力机制首先放大信息丰富的通道，然后定位关键的空间区域，从而逐步细化特征表示，进而提升模型对肿瘤特异性模式的识别能力。我们采用了一种定制的迁移学习策略，使网络能够适应特定领域的医学数据，以克服数据稀缺和领域差异带来的挑战。所提出的模型在Kaggle提供的磁共振成像（MRI）数据集（版本1.0）上进行了训练和评估，该数据集包含以下四个类别：垂体肿瘤、脑膜瘤、胶质瘤和无肿瘤。该模型展示了出色的泛化能力和鲁棒性，分类准确率达到了99.47%。虽然主要贡献在于架构创新，但实证结果也显示在包括准确率、AUC、F1分数、召回率和精确度在内的各项评估指标上均有持续的性能提升。该框架计算效率高且具有临床可扩展性，为现实世界中的神经影像学应用中的可靠、自动化脑肿瘤诊断提供了一种有前景的解决方案。