MRI画像からの脳腫瘍分類とセグメンテーションのための新しい深層学習アーキテクチャ

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

December 6, 2025

著者: Sayan Das, Arghadip Biswas

cs.AI

要旨

脳腫瘍は人間の生命に重大な脅威をもたらすため、より適切な診断と治療のために初期段階で正確に検出することが極めて重要である。脳腫瘍は、患者のMRIスキャン画像から放射線科医が手動で検出することが可能である。しかし、近年では小児および思春期における脳腫瘍の発症率が上昇しており、その結果、膨大な量のデータが生成されるため、手動での検出には時間がかかり困難となっている。現代社会における人工知能の台頭と医療分野でのその広範な応用により、脳腫瘍を自動的に早期検出するためのCAD（コンピュータ支援診断）システムへのアプローチが可能となる。この課題に対する既存のモデルは完全には一般化されておらず、検証データでの性能が不十分である。そこで我々は、2つの新しい深層学習アーキテクチャを提案した。(a) 各種脳腫瘍の分類を行うためのSAETCN（Self-Attention Enhancement Tumor Classification Network）である。検証データセットにおいて99.38%の精度を達成し、脳腫瘍を正確に検出できる数少ない新しい深層学習ベースのアーキテクチャの一つとなった。本モデルは、3種類の腫瘍（神経膠腫、髄膜腫、下垂体腫瘍）および非腫瘍症例の画像を含むデータセットで学習を行った。(b) 脳腫瘍の正確なセグメンテーションを行うためのSAS-Net（Self-Attentive Segmentation Network）である。全体のピクセル精度として99.23%を達成した。

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%.