Brain Tumor Classification using Vision Transformer with Selective Cross-Attention Mechanism and Feature Calibration

要約

脳腫瘍の分類は、医療画像解析における困難な作業です。
この論文では、新しい交差注意メカニズムを備えたビジョントランスフォーマーを使用した脳腫瘍分類への新しいアプローチを提案します。
私たちのアプローチは、長距離の依存関係とマルチスケールの機能融合のモデリングにおいてトランスフォーマーの強みを活用しています。
クロスアテンション フュージョン モジュールのパフォーマンスを向上させるために、機能キャリブレーション メカニズム (FCM) と選択的クロスアテンション (SCA) という 2 つの新しいメカニズムを導入します。
FCM はさまざまなブランチの機能を調整して互換性を高めますが、SCA は最も有益な機能を選択的に処理します。
私たちの実験は、提案されたアプローチが脳腫瘍の分類において他の最先端の方法よりも優れており、精度と効率の向上を達成していることを示しています。
提案された FCM および SCA メカニズムは、他のビジョン トランスフォーマー アーキテクチャに簡単に統合できるため、医用画像解析における将来の研究の有望な方向性となります。
実験結果は、私たちのアプローチが既存の方法を上回り、脳腫瘍分類タスクにおいて最先端のパフォーマンスを達成することを確認しています。

要約(オリジナル)

Brain tumor classification is a challenging task in medical image analysis. In this paper, we propose a novel approach to brain tumor classification using a vision transformer with a novel cross-attention mechanism. Our approach leverages the strengths of transformers in modeling long-range dependencies and multi-scale feature fusion. We introduce two new mechanisms to improve the performance of the cross-attention fusion module: Feature Calibration Mechanism (FCM) and Selective Cross-Attention (SCA). FCM calibrates the features from different branches to make them more compatible, while SCA selectively attends to the most informative features. Our experiments demonstrate that the proposed approach outperforms other state-of-the-art methods in brain tumor classification, achieving improved accuracy and efficiency. The proposed FCM and SCA mechanisms can be easily integrated into other vision transformer architectures, making them a promising direction for future research in medical image analysis. Experimental results confirm that our approach surpasses existing methods, achieving state-of-the-art performance in brain tumor classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google