T-FSPANNet：基于三重属性与金字塔注意力特征融合的精准可解释脑肿瘤诊断

本文提出T-FSPANNet深度学习架构，通过三重属性模块（T-Block）实现多尺度局部特征提取，结合特征汇总金字塔注意力网络（FSPAN）进行全局上下文建模，并引入自适应重缩放全局平均池化（RGAP）优化特征表示。该模型在复合MRI数据集上达到99.89%准确率（F1-score=0.9989），显著降低临床误诊风险，同时通过注意力图谱和Grad-CAM实现模型可解释性（XAI），为神经肿瘤影像自动化诊断提供高性能且临床可信任的解决方案。

　　

¹亮点²

本研究引入T-FSPANNet这一创新架构，其核心贡献包括：

• 三重属性模块（T-Block）通过并行多核扩张卷积捕获多尺度空间特征，突破传统CNN感受野限制

• 特征汇总金字塔注意力网络（FSPAN）以轻量化设计实现语义全局注意力与多尺度结构融合

• 基于ConvNeXt-XT主干网络协同RGAP层动态优化特征权重，构建端到端诊断框架

³实验方案与训练配置⁴

所有模型采用统一实验协议：输入MRI图像缩放至224×224像素，使用随机梯度下降（SGD）优化器（批量大小16，初始学习率0.01，动量0.9），最大训练轮次400，每30轮次学习率衰减0.1倍。数据增强策略包含随机旋转、翻转及色彩抖动，五折交叉验证确保结果稳健性。

⁵结论⁶

T-FSPANNet成功解决了脑肿瘤MRI分类中局部特征保真度、全局语境感知与计算效率之间的核心矛盾。通过多尺度卷积模块与轻量化FSPAN的协同整合，模型在保持高效计算的同时达到顶尖诊断精度（准确率99.89%）。注意力可视化分析表明其决策聚焦于病理相关区域，为临床可解释人工智能（XAI）提供了重要实践范例。