
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种先进的混合深度学习框架,用于在MRI扫描中实现高精度脑肿瘤检测与分类
《Scientific Reports》:An advanced hybrid deep learning framework for high-precision brain tumor detection and classification in MRI scans
【字体: 大 中 小 】 时间:2026年04月30日 来源:Scientific Reports 3.9
编辑推荐:
摘要 通过磁共振成像(MRI)早期且准确地识别脑肿瘤对于及时进行临床干预至关重要;然而,手动解读仍然耗时且依赖于专家分析。本研究提出了MultiAttenNet,这是一个混合深度学习框架,它结合了多尺度卷积神经网络(CNN)进行分层特征提取,以及基于Trans
通过磁共振成像(MRI)早期且准确地识别脑肿瘤对于及时进行临床干预至关重要;然而,手动解读仍然耗时且依赖于专家分析。本研究提出了MultiAttenNet,这是一个混合深度学习框架,它结合了多尺度卷积神经网络(CNN)进行分层特征提取,以及基于Transformer的注意力机制进行全局上下文学习,采用半监督学习范式。多尺度特征提取提高了检测不同大小和不规则结构肿瘤的鲁棒性,而自适应注意力模块则动态强调具有诊断相关性的区域,从而增强定位精度并减少误报。基于一致性的半监督学习方案使得在有限标记数据以及未标记样本的情况下仍能实现有效训练,从而提高模型在多种临床场景下的泛化能力。该框架通过BraTS 2023数据集(用于胶质瘤分割)和公开可用的数据集(如Figshare脑肿瘤数据集,用于多类肿瘤分类:胶质瘤、脑膜瘤和垂体肿瘤)进行了评估。MultiAttenNet的准确率、灵敏度、特异性和误报率分别为98.4%、96.8%、99.2%和1.3%,优于现有的最先进方法。所提出的框架为实时临床脑肿瘤诊断提供了一种可扩展且高效的解决方案,并支持神经肿瘤学中的可靠自动化决策。
生物通微信公众号