CAHA-Net：一种基于DenseNet的新型MR图像分类模型，该模型融合了坐标注意力机制和混合增强技术

《Scientific Reports》：CAHA-Net: A novel MR image classification model based on DenseNet incorporating coordinate attention and hybrid augmentation

　　

摘要

传统的诊断方法耗时且劳动强度高，目前该领域缺乏对主流模型的全面评估，以探讨它们之间的互补优势。计算机辅助诊断方法可以显著提高基于MRI的图像分类的准确性和效率，从而为脑肿瘤的计算机辅助诊断研究提供有力支持。为应对这些挑战，本研究利用了一个包含333名受试者4,264张图像的脑肿瘤MRI数据集，在重复的患者级验证协议下对各种主流卷积神经网络和视觉变换器进行了全面评估。此外，还在预训练的部分微调设置下进一步评估了代表性的变换器模型。结果表明，在没有外部预训练的情况下，DenseNet-121在诊断性能和计算效率之间取得了良好的平衡；而当有外部视觉预训练时，预训练的变换器模型仍然具有竞争力。基于这些发现，我们提出了CAHA-Net（坐标注意力与混合增强DenseNet），这是一种基于DenseNet-121的改进架构。该方法采用了一种混合增强策略，结合了对比度受限自适应直方图均衡化和FMix技术，旨在训练过程中增强局部对比度并增加肿瘤与背景之间的差异。此外，通过集成坐标注意力机制，该模型能够同时捕获水平和垂直方向的空间位置信息，从而在分类过程中生成对病变更敏感的特征表示。实验结果表明，在多类分类任务中，CAHA-Net在所有测试的模型变体中取得了最佳的平均性能，宏观F1分数为94.14% ± 1.16%，AUC为98.97% ± 0.48%，假阳性率低至1.66% ± 0.39%。系统的消融实验表明，FMix是性能提升的主要独立贡献因素，而坐标注意力有助于在整个增强-注意力流程中稳定特征表示。所提出的模型初步证明了其鲁棒性和跨数据集的迁移能力，为脑肿瘤的计算机辅助诊断研究提供了高效且有用的参考。