An L2-Normalized Spatial Attention Network For Accurate And Fast Classification Of Brain Tumors In 2D T1-Weighted CE-MRI Images

要約

我々は、精度の点で調査されたすべての軽量な方法を上回る、MRI 画像における脳腫瘍の分類のための正確かつ高速な分類ネットワークを提案します。
髄膜腫、神経膠腫、下垂体という 3 種類の脳腫瘍を含む、困難な 2D T1 強調 CE-MRI データセットでモデルをテストします。
トレーニング中の過学習に対する正則化機能として機能する l2 正規化空間アテンション メカニズムを導入します。
このデータセットの結果を最先端のデータと比較し、l2 正規化された空間アテンションをベースライン ネットワークに統合することにより、1.79 パーセント ポイントのパフォーマンス向上が達成されることを示します。
実行速度を犠牲にして、アンサンブル内のモデルを事前トレーニングされた VGG16 と組み合わせることで、さらに優れた精度を達成できます。
私たちのコードは https://github.com/juliadietlmeier/MRI_image_classification で公開されています。

要約(オリジナル)

We propose an accurate and fast classification network for classification of brain tumors in MRI images that outperforms all lightweight methods investigated in terms of accuracy. We test our model on a challenging 2D T1-weighted CE-MRI dataset containing three types of brain tumors: Meningioma, Glioma and Pituitary. We introduce an l2-normalized spatial attention mechanism that acts as a regularizer against overfitting during training. We compare our results against the state-of-the-art on this dataset and show that by integrating l2-normalized spatial attention into a baseline network we achieve a performance gain of 1.79 percentage points. Even better accuracy can be attained by combining our model in an ensemble with the pretrained VGG16 at the expense of execution speed. Our code is publicly available at https://github.com/juliadietlmeier/MRI_image_classification

arxiv情報

提供元, 利用サービス

arxiv.jp, Google