Novas Arquiteturas de Aprendizagem Profunda para Classificação e Segmentação de Tumores Cerebrais a partir de Imagens de Ressonância Magnética

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

December 6, 2025

Autores: Sayan Das, Arghadip Biswas

cs.AI

Resumo

Os tumores cerebrais representam uma ameaça significativa à vida humana, sendo, portanto, extremamente necessário detectá-los com precisão nos estágios iniciais para um melhor diagnóstico e tratamento. Os tumores cerebrais podem ser detectados manualmente pelo radiologista a partir das imagens de ressonância magnética dos pacientes. No entanto, a incidência de tumores cerebrais aumentou entre crianças e adolescentes nos últimos anos, resultando em um volume substancial de dados e, consequentemente, tornando a detecção manual demorada e difícil. Com o surgimento da Inteligência Artificial no mundo moderno e sua vasta aplicação no campo médico, podemos desenvolver uma abordagem para um sistema CAD (Diagnóstico Auxiliado por Computador) para a detecção automática precoce de tumores cerebrais. Todos os modelos existentes para esta tarefa não são completamente generalizados e apresentam desempenho insatisfatório nos dados de validação. Portanto, propomos duas novas arquiteturas de Aprendizado Profundo: (a) **SAETCN (Rede de Classificação de Tumores com Aprimoramento por Autoatenção)** para a classificação de diferentes tipos de tumores cerebrais. Obtivemos uma precisão de 99,38% no conjunto de dados de validação, tornando-a uma das poucas arquiteturas novas baseadas em Aprendizado Profundo capaz de detectar tumores cerebrais com precisão. Treinamos o modelo no conjunto de dados que contém imagens de 3 tipos de tumores (glioma, meningioma e tumores pituitários) e casos sem tumor. e (b) **SAS-Net (Rede de Segmentação com Autoatenção)** para a segmentação precisa de tumores cerebrais. Alcançamos uma precisão global de pixel de 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%.