Nieuwe Deep Learning-architecturen voor Classificatie en Segmentatie van Hersentumoren op MRI-beelden
Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images
December 6, 2025
Auteurs: Sayan Das, Arghadip Biswas
cs.AI
Samenvatting
Hersentumoren vormen een significante bedreiging voor het menselijk leven, daarom is het van groot belang ze in een vroeg stadium nauwkeurig op te sporen voor een betere diagnose en behandeling. Radiologen kunnen hersentumoren handmatig detecteren aan de hand van MRI-scans van patiënten. Echter, de incidentie van hersentumoren is de laatste jaren gestegen onder kinderen en adolescenten, wat heeft geleid tot een aanzienlijke hoeveelheid data, waardoor handmatige detectie tijdrovend en moeilijk is geworden. Met de opkomst van kunstmatige intelligentie in de moderne wereld en de brede toepassing ervan in het medische veld, kunnen we een benadering ontwikkelen met een CAD-systeem (Computer Aided Diagnosis) voor de automatische vroege detectie van hersentumoren. Alle bestaande modellen voor deze taak zijn niet volledig gegeneraliseerd en presteren slecht op de validatiedata. Daarom hebben wij twee nieuwe deep learning-architecturen voorgesteld: (a) SAETCN (Self-Attention Enhancement Tumor Classification Network) voor de classificatie van verschillende soorten hersentumoren. Wij hebben een nauwkeurigheid van 99,38% bereikt op de validatiedataset, wat het een van de weinige nieuwe op deep learning gebaseerde architecturen maakt die in staat zijn hersentumoren nauwkeurig te detecteren. Wij hebben het model getraind op de dataset, die beelden bevat van 3 soorten tumoren (glioom, meningioom en hypofysetumoren) en niet-tumorgevallen. En (b) SAS-Net (Self-Attentive Segmentation Network) voor de nauwkeurige segmentatie van hersentumoren. Wij hebben een algehele pixelnauwkeurigheid van 99,23% bereikt.
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%.