基于ResNet-注意力-EfficientNet-b0-Transformer深度融合与拒识机制的脑肿瘤分类模型研究

本文推荐一种创新性脑肿瘤分类模型RAET（ResNet-attention-EfficientNet-b0-Transformer），通过融合残差网络（ResNet）、注意力机制、轻量级网络（EfficientNet-b0）和Transformer模块，结合深度全连接层（DFC）与长距离特征融合（LDTF）策略，构建并行特征提取网络（PFEN）。模型引入拒识机制，仅对置信度>99.60%的样本输出100%准确结果，在数据集A/B上分别实现99.07%和96.56%的准确率，较现有最优模型提升6.28%和3.54%，为临床辅助诊断提供高可靠性解决方案。

　　

Highlight

本研究提出具有拒识功能的RAET深度融合分类模型，通过整合残差网络（ResNet）、注意力增强型轻量网络（EfficientNet-b0）和Transformer三大核心模块，构建三阶段架构：

1. 1.

   并行特征提取网络（PFEN）：采用长距离特征融合（LDTF）方法优化EfficientNet-b0，结合ResNet的残差连接解决梯度消失问题，注意力机制动态聚焦病灶区域

2. 2.

   深度融合网络：通过Transformer的自注意力模块捕获特征长程依赖，配合深度全连接层（DFC）动态调整特征权重，较传统特征串联方法降低30%计算复杂度

3. 3.

   拒识输出机制：设置99.60%置信阈值，仅接受高置信度样本（数据集A 96.98%/B 91.04%），实现接受样本100%准确分类，杜绝临床误诊风险

Environment settings and datasets

实验环境配置为MATLAB 2023a平台，硬件采用AMD Ryzen 7 5800X处理器与Nvidia RTX 3060 Ti显卡。数据来源于Kaggle公开数据集，包含脑膜瘤、胶质瘤、垂体瘤及正常脑影像四类样本，经数据增强后构建多尺度训练集。

Conclusions

RAET模型通过模型优化将融合过程复杂度降低至传统方法的1/3，在保持91%以上样本接受率的同时实现零误诊。该架构为医学影像分类提供了"全有或全无"的创新决策模式，其PFEN模块训练速度较串行架构提升2.4倍，Transformer-DFC融合策略使特征参数量减少40%，为资源受限的临床环境提供可扩展解决方案。