基于TransUNet–DenseNet121混合模型的MRI脑肿瘤分类与可解释性研究

《Scientific Reports》：An explainable hybrid transformer–CNN framework for multi-class brain tumor classification from MRI images

　　

摘要

通过磁共振成像（MRI）识别脑肿瘤需要能够提供精确结果的有效方法，因为这些结果决定了临床选择。该研究提出了一种基于混合Transformer-CNN技术的分类系统，该系统通过使用肿瘤分割、深度特征提取和可解释人工智能，将脑肿瘤分为多种类型。MRI图像的预处理涉及多个步骤，包括颅骨剥离、基于CLAHE的对比度增强、归一化、数据增强和调整大小，以创建保持统一性的高质量图像用于模型输入。TransUNet架构通过将卷积神经网络与基于Transformer的注意力系统集成，执行肿瘤区域分割，使其能够识别近处和远处的上下文细节。该系统生成分割掩膜，通过已在ImageNet上预训练的DenseNet121实现感兴趣区域（ROI）特征提取，同时移除最终分类层，并使用全局平均池化生成具有判别性的特征表示。该系统使用基于注意力的特征细化方法来改善特征表示，随后使用一个正则化的全连接深度分类器，该分类器包括批归一化和dropout，用于肿瘤的四分类。使用Grad-CAM++和注意力可视化实现模型可解释性，能够清晰识别肿瘤相关区域并提高模型透明度。实验评估显示出较高的分类性能，对脑膜瘤、胶质瘤、垂体肿瘤和无肿瘤病例的准确率分别达到98.54%、98.65%、99.45%和99.56%。这些结果表明，所提出的TransUNet–DenseNet121方法为从MRI扫描图像中自动检测脑肿瘤提供了一种准确、可靠、可解释的方法。