Новые архитектуры глубокого обучения для классификации и сегментации опухолей головного мозга по МРТ-изображениям
Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images
December 6, 2025
Авторы: Sayan Das, Arghadip Biswas
cs.AI
Аннотация
Опухоли головного мозга представляют серьезную угрозу для жизни человека, поэтому крайне важно точно выявлять их на ранних стадиях для улучшения диагностики и лечения. Радиологи могут выявлять опухоли головного мозга вручную по МРТ-снимкам пациентов. Однако в последние годы заболеваемость опухолями мозга среди детей и подростков возросла, что привело к значительному увеличению объема данных, и, как следствие, ручное выявление стало трудоемким и сложным. С появлением искусственного интеллекта в современном мире и его широким применением в медицинской области мы можем предложить подход к системе КАД (компьютерная aided diagnosis) для автоматического раннего выявления опухолей головного мозга. Все существующие модели для этой задачи не являются полностью обобщаемыми и показывают низкую производительность на валидационных данных. Поэтому мы предложили две новые архитектуры глубокого обучения: (a) SAETCN (Self-Attention Enhancement Tumor Classification Network) для классификации различных типов опухолей головного мозга. Мы достигли точности 99,38% на валидационном наборе данных, что делает ее одной из немногих новых архитектур на основе глубокого обучения, способных точно обнаруживать опухоли головного мозга. Мы обучили модель на наборе данных, содержащем изображения трех типов опухолей (глиомы, менингиомы и опухоли гипофиза) и случаи без опухолей; и (b) SAS-Net (Self-Attentive Segmentation Network) для точной сегментации опухолей головного мозга. Мы достигли общей пиксельной точности 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%.