Neuartige Deep-Learning-Architekturen zur Klassifikation und Segmentierung von Hirntumoren in MRT-Bildern
Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images
December 6, 2025
papers.authors: Sayan Das, Arghadip Biswas
cs.AI
papers.abstract
Hirntumore stellen eine erhebliche Bedrohung für das menschliche Leben dar, weshalb es äußerst notwendig ist, sie in den frühen Stadien genau zu erkennen, um eine bessere Diagnose und Behandlung zu ermöglichen. Radiologen können Hirntumore manuell anhand der MRT-Scan-Bilder der Patienten identifizieren. Allerdings ist die Häufigkeit von Hirntumoren bei Kindern und Jugendlichen in den letzten Jahren angestiegen, was zu einem erheblichen Datenaufkommen führt. Infolgedessen ist die manuelle Erkennung zeitaufwändig und schwierig. Mit dem Aufkommen der Künstlichen Intelligenz in der modernen Welt und ihrer breiten Anwendung im medizinischen Bereich können wir einen Ansatz für ein CAD-System (computerunterstütztes Diagnosesystem) zur automatischen Früherkennung von Hirntumoren verfolgen. Alle bestehenden Modelle für diese Aufgabe sind nicht vollständig generalisiert und schneiden auf Validierungsdaten schlecht ab. Daher haben wir zwei neuartige Deep-Learning-Architekturen vorgeschlagen: (a) SAETCN (Self-Attention Enhancement Tumor Classification Network) zur Klassifizierung verschiedener Arten von Hirntumoren. Wir haben eine Genauigkeit von 99,38 % auf dem Validierungsdatensatz erreicht, was es zu einer der wenigen neuartigen, auf Deep Learning basierenden Architekturen macht, die in der Lage sind, Hirntumore genau zu erkennen. Wir haben das Modell auf einem Datensatz trainiert, der Bilder von drei Tumorarten (Gliome, Meningeome und Hypophysentumore) sowie von Nicht-Tumor-Fällen enthält. Und (b) SAS-Net (Self-Attentive Segmentation Network) für die präzise Segmentierung von Hirntumoren. Hierbei haben wir eine gesamte Pixelgenauigkeit von 99,23 % erzielt.
English
Brain tumors pose a significant threat to human life, therefore it is very much necessary to detect them accurately in the early stages for better diagnosis and treatment. Brain tumors can be detected by the radiologist manually from the MRI scan images of the patients. However, the incidence of brain tumors has risen amongst children and adolescents in recent years, resulting in a substantial volume of data, as a result, it is time-consuming and difficult to detect manually. With the emergence of Artificial intelligence in the modern world and its vast application in the medical field, we can make an approach to the CAD (Computer Aided Diagnosis) system for the early detection of Brain tumors automatically. All the existing models for this task are not completely generalized and perform poorly on the validation data. So, we have proposed two novel Deep Learning Architectures - (a) SAETCN (Self-Attention Enhancement Tumor Classification Network) for the classification of different kinds of brain tumors. We have achieved an accuracy of 99.38% on the validation dataset making it one of the few Novel Deep learning-based architecture that is capable of detecting brain tumors accurately. We have trained the model on the dataset, which contains images of 3 types of tumors (glioma, meningioma, and pituitary tumors) and non-tumor cases. and (b) SAS-Net (Self-Attentive Segmentation Network) for the accurate segmentation of brain tumors. We have achieved an overall pixel accuracy of 99.23%.