SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification

要約

タイムリーな治療には磁気共鳴画像法（MRI）による脳腫瘍の早期発見が不可欠ですが、遠隔地では診断施設へのアクセスは依然として限られています。
最も一般的な原発性脳腫瘍である神経膠腫は、脳および脊髄のグリア細胞の発がんによって発生し、神経膠芽腫患者の生存期間中央値は 14 か月未満です。
MRI は腫瘍検出のための非侵襲的で効果的な方法として機能しますが、神経放射線科医にとって脳 MRI スキャンの手動セグメンテーションは伝統的に労働集約的な作業でした。
コンピュータ支援設計 (CAD)、機械学習 (ML)、および深層学習 (DL) の最近の進歩により、このプロセスを自動化するための有望なソリューションが提供されます。
この研究では、MRI データを使用した脳腫瘍の検出と分類のための自動深層学習モデルを提案します。
空間的注意を組み込んだモデルは 96.90% の精度を達成し、コンテキスト情報の集約を強化してパターン認識を向上させました。
実験結果は、提案されたアプローチがベースラインモデルより優れていることを実証し、その堅牢性と自動化された MRI ベースの脳腫瘍解析の進歩の可能性を強調しています。

要約(オリジナル)

Early detection of brain tumors through magnetic resonance imaging (MRI) is essential for timely treatment, yet access to diagnostic facilities remains limited in remote areas. Gliomas, the most common primary brain tumors, arise from the carcinogenesis of glial cells in the brain and spinal cord, with glioblastoma patients having a median survival time of less than 14 months. MRI serves as a non-invasive and effective method for tumor detection, but manual segmentation of brain MRI scans has traditionally been a labor-intensive task for neuroradiologists. Recent advancements in computer-aided design (CAD), machine learning (ML), and deep learning (DL) offer promising solutions for automating this process. This study proposes an automated deep learning model for brain tumor detection and classification using MRI data. The model, incorporating spatial attention, achieved 96.90% accuracy, enhancing the aggregation of contextual information for better pattern recognition. Experimental results demonstrate that the proposed approach outperforms baseline models, highlighting its robustness and potential for advancing automated MRI-based brain tumor analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google