Nuove Architetture di Deep Learning per la Classificazione e la Segmentazione dei Tumori Cerebrali da Immagini MRI

Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images

December 6, 2025

Autori: Sayan Das, Arghadip Biswas

cs.AI

Abstract

I tumori cerebrali rappresentano una minaccia significativa per la vita umana, pertanto è estremamente necessario rilevarli accuratamente nelle fasi iniziali per una migliore diagnosi e trattamento. I radiologi possono individuare manualmente i tumori cerebrali dalle immagini di risonanza magnetica dei pazienti. Tuttavia, l'incidenza dei tumori cerebrali è aumentata tra bambini e adolescenti negli ultimi anni, generando un volume sostanziale di dati; di conseguenza, il rilevamento manuale risulta dispendioso in termini di tempo e difficoltoso. Con l'emergere dell'intelligenza artificiale nel mondo moderno e le sue vaste applicazioni in campo medico, è possibile approcciarsi a sistemi CAD (Diagnosi Assistita da Computer) per il rilevamento automatico precoce dei tumori cerebrali. Tutti i modelli esistenti per questo compito non sono completamente generalizzati e forniscono prestazioni scarse sui dati di validazione. Pertanto, abbiamo proposto due nuove architetture di apprendimento profondo: (a) SAETCN (Self-Attention Enhancement Tumor Classification Network) per la classificazione di diversi tipi di tumori cerebrali. Abbiamo raggiunto un'accuratezza del 99,38% sul dataset di validazione, rendendola una delle poche architetture innovative basate sull'apprendimento profondo in grado di rilevare con precisione i tumori cerebrali. Abbiamo addestrato il modello sul dataset contenente immagini di 3 tipi di tumori (glioma, meningioma e tumori pituitari) e casi non tumorali. E (b) SAS-Net (Self-Attentive Segmentation Network) per la segmentazione accurata dei tumori cerebrali. Abbiamo ottenuto un'accuratezza pixel complessiva del 99,23%.

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%.