DualXBrNet:基于混合双层融合框架的MRI多类别脑肿瘤分类方法
《BioMedInformatics》:DualXBrNet: A Hybrid Dual-Path Cross-Level Fusion Framework for Multiclass Brain Tumor Classification Using MRI Images
【字体:
大
中
小
】
时间:2026年10月16日
来源:BioMedInformatics 3.6
编辑推荐:
基于磁共振成像(MRI)的脑肿瘤分类能够通过自动区分肿瘤与非肿瘤类别来支持计算机辅助诊断。本研究提出了DualXBrNet,一种用于多类别脑肿瘤分类的混合双层融合框架,基于原始BRISC2025数据集。三个预训练的卷积神经网络(CNN),即ResNet50V2、MobileN
基于磁共振成像(MRI)的脑肿瘤分类能够通过自动区分肿瘤与非肿瘤类别来支持计算机辅助诊断。本研究提出了DualXBrNet,一种用于多类别脑肿瘤分类的混合双层融合框架,基于原始BRISC2025数据集。三个预训练的卷积神经网络(CNN),即ResNet50V2、MobileNetV2和EfficientNetB0,被优化以学习胶质瘤、脑膜瘤、垂体瘤和无肿瘤MRI图像的互补表示。它们的深度特征通过一个可学习的特征融合网络进行整合,随后三个CNN和特征融合模型的类别概率输出通过一种泄漏感知的五折折外(OOF)决策级堆叠策略进行组合。一个低复杂度的逻辑回归元分类器专门基于生成的16维OOF概率表示进行训练,以防止元学习过程中的信息泄漏。在独立官方测试集上,DualXBrNet达到了96.80%的准确率和99.77%的宏平均ROC-AUC。进一步进行了Oracle分析、统计分析、计算复杂度分析、特征空间分析和遮挡敏感性分析,以评估模型互补性、计算效率、表示质量和可解释性。结果表明,特征级融合提供了主要的性能提升,而基于OOF的决策堆叠在泄漏感知的评估协议内提供了互补性的改进。总体而言,所提出的框架强调通过泄漏感知的元学习、独立测试和全面的模型分析来确保方法严谨性,而非仅依赖分类准确率。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号