Modello Ibrido CNN-ViT Raggiunge il 97,6% di Accuratezza nella Classificazione di MRI dei Tumori Cerebrali
Un nuovo framework di deep learning ibrido è stato introdotto dai ricercatori, integrando un componente CNN in stile SqueezeNet con un componente trasformatore globale in stile MobileViT attraverso un Adaptive Attention Gate per la classificazione di MRI di tumori cerebrali. Questo gate è progettato per apprendere pesi su base per campione e per caratteristica, consentendo l'integrazione dinamica di rappresentazioni locali e globali. Testato sul dataset Brain Tumor MRI Dataset di Kaggle, il modello ha dimostrato risultati impressionanti, raggiungendo un'accuratezza del 97,60%, una precisione del 97,30%, un richiamo del 97,50%, un F1-score del 97,40% e un AUC macro-media di 0,9946. Questo studio affronta la difficoltà di catturare sia le texture locali che le dipendenze a lungo raggio nell'imaging medico.
Fatti principali
- Architettura ibrida che combina rami CNN in stile SqueezeNet e trasformatore in stile MobileViT
- Adaptive Attention Gate pondera dinamicamente i contributi per campione e per caratteristica
- Accuratezza del 97,60% sul dataset Brain Tumor MRI (Kaggle)
- Precisione: 97,30%, Richiamo: 97,50%, F1-score: 97,40%
- AUC macro-media di 0,9946
- Modello addestrato e valutato sul dataset Kaggle
- Affronta l'estrazione di texture locali e dipendenze globali nelle MRI
- Pubblicato su arXiv con ID 2604.23137
Entità
Istituzioni
- arXiv
- Kaggle