关键词:
脑肿瘤诊断
卷积神经网络
Transformer
特征耦合
多尺度感知
摘要:
为辅助临床医生更准确地识别与分类脑肿瘤,基于YOLOv8提出一种名为多元融合感知网络(MFANet)的磁共振成像(MRI)脑肿瘤诊断网络。首先,针对脑肿瘤分类难度大的问题,设计轻量化的CNN-Transformer双分支并行特征提取模块(CTB)。其中,在Transformer分支引入一种新的通道混合器——卷积线性门控单元(CGLU),以增强非线性特征表达能力。其次,提出特征耦合模块(FCM),用以消除CTB中局部与全局特征之间的语义差异。最后,为解决肿瘤边界模糊导致的定位难题,构建尺度感知聚焦扩散金字塔网络(SAF-DPN),通过自适应多尺度特征融合和特征扩散机制,显著提升了脑肿瘤检测与定位的精度。实验结果表明,MFANet在保持高检测速度的同时,在脑肿瘤四分类任务中的平均分类准确率达到99.00%,平均精度均值达到99.20%,且模型参数量仅为2.52×10^(6),整体性能优于其他算法,实现了检测准确性和网络轻量化之间的平衡,为脑肿瘤的智能检测与分类提供了新方法。