MRI 영상에서 뇌종양 분류 및 분할을 위한 새로운 딥러닝 아키텍처

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

December 6, 2025

저자: Sayan Das, Arghadip Biswas

cs.AI

초록

뇌종양은 인간의 생명에 심각한 위협을 가하므로, 보다 나은 진단과 치료를 위해 초기 단계에서 정확하게 검출하는 것이 매우 중요합니다. 뇌종양은 방사선 전문의가 환자의 MRI 스캔 이미지를 통해 수동으로 검출할 수 있습니다. 그러나 최근 몇 년간 소아 및 청소년에서 뇌종양 발생률이 증가하면서 방대한 양의 데이터가 생성되어 수동 검출에는 시간이 많이 소요되고 어려움이 따릅니다. 현대 사회에서 인공지능의 등장과 의료 분야에서의 광범위한 적용으로, 우리는 자동적인 뇌종양 조기 발견을 위한 CAD(컴퓨터 보조 진단) 시스템에 접근할 수 있습니다. 이 작업을 위한 기존의 모든 모델은 완전히 일반화되지 않으며 검증 데이터에서 성능이 낮습니다. 따라서 우리는 두 가지 새로운 딥러닝 아키텍처를 제안합니다: (a) 다양한 종류의 뇌종양을 분류하기 위한 SAETCN(자기 주의력 향상 종양 분류 네트워크). 우리는 검증 데이터셋에서 99.38%의 정확도를 달성하여 정확하게 뇌종양을 감지할 수 있는 몇 안 되는 새로운 딥러닝 기반 아키텍처 중 하나를 만들었습니다. 우리는 3가지 유형의 종양(교종, 수막종, 뇌하수체 종양)과 비종양 사례의 이미지를 포함하는 데이터셋으로 모델을 학습시켰습니다. 그리고 (b) 뇌종양의 정확한 분할을 위한 SAS-Net(자기 주의적 분할 네트워크). 우리는 전체 픽셀 정확도 99.23%를 달성했습니다.

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%.