基于多尺度特征与通道特征融合的脑肿瘤良恶性分类模型

针对脑肿瘤良恶性分类过程复杂、分类准确率不高等问题，提出了一种基于多尺度特征与通道特征融合的分类模型。该模型以ResNeXt网络为主干网络，首先，将基于空洞卷积的多尺度特征提取模块代替第一层卷积层，利用膨胀率获取不同感受野的图像信息，将全局特征与局部显著特征相结合；其次，添加通道注意力机制模块，融合特征通道信息，提高对肿瘤区域的关注度，降低对冗余信息的关注度；最后，采用学习率的线性衰减策略、图像的标签平滑策略以及基于医学图像的迁移学习策略的组合优化提高模型的学习能力和泛化能力。在BraTS2017和BraTS2019数据集中进行实验，准确率分别达到98.11%和98.72%。与经典模型和其他先进方法相比，该分类模型能够有效地减少分类过程的复杂度，提高脑肿瘤良恶性分类的准确率。