基于多任务深度学习的脑肿瘤检测：融合分割与分类的统一架构

《Scientific Reports》：Multi-task deep learning framework for brain tumor classification and segmentation using ensemble feature extraction

　　

摘要

脑肿瘤是最严重的神经系统疾病之一，其早期准确诊断对于制定治疗方案至关重要。磁共振成像（MRI）常用于肿瘤检测；然而，人工检查耗时且易受人为错误影响。尽管深度学习算法在实现更自动化的脑肿瘤检测方面有所贡献，但其应用仍面临挑战。例如，大多数方法将分类和分割操作分开执行，从而增加了计算负担。针对这一挑战，本文提出了一种多任务深度学习架构，在检测脑肿瘤的同时，将肿瘤分割和分类整合到一个框架中。具体而言，该模型采用集成特征提取技术，通过ResNet-50、EfficientNet-B5和卷积神经网络（CNN）以及基于注意力的模块来提取广泛特征。动态加权过程将用于实现所提取特征的有效融合。此外，分类将作为第一步，如果检测到肿瘤，则启动U-net++分割。使用公共MRI数据集进行的实验取得了令人印象深刻的结果，分类准确率为99.84%，Dice系数为91.22%，IoU为89.01%。