Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightNeuroDEEP-CNN, ilişkili üç sınıflı bir kıyaslama veri setinde yaygın olarak kullanılan beş transfer öğrenme temel modelinin en güçlüsüne yakın performans göstermekte; aynı zamanda sınıf sayısını on üç kat artırmakta ve radyolog odaklı klinik kullanıma uygun şekilde doğrulanmış tümör tespiti ve segmentasyon çıktıları sunmaktadır.
📌 3 Maddede Bu Makale
Özet
Beyin tümörleri, çok sayıda radyolojik alt tip arasında hızlı ve doğru ayırıcı tanı gerektirmektedir. Mevcut sınıflandırıcılar, sınıflandırma, lezyon lokalizasyonu ve segmentasyonu tek bir yorumlanabilir sistem içinde nadiren birleştirmektedir. NeuroDEEP-CNN, sınıflandırma, koordinat regresyonu ve maske segmentasyonu için üç ayrı kod çözücü başlığa sahip, çok görevli ConvNeXtTiny omurgasına dayanan bir modeldir ve hibrit koordinat-maske dikkat kapısı aracılığıyla birleştirilmiştir. Model, 39 sınıfa ait 12.643 T1, T1C+ ve T2 MRG görüntüsü üzerinde; iki aşamalı odak kaybı ısınma stratejisi ve kademeli ince ayar yaklaşımı kullanılarak, %80/%10/%10 oranında tabakalı veri bölünmesiyle eğitilmiştir. En iyi kontrol noktasında, doğrulama doğruluğuna göre seçilen 33. epokta, model %92,81 doğrulama sınıflandırma doğruluğu ve %98,26 doğrulama ilk-3 doğruluğu elde etmiştir. Tespit dalı, doğrulama kümesinde 18,56 piksel ortalama mesafe hatasına ulaşırken, segmentasyon dalı 0,664 doğrulama Dice katsayısına ulaşmıştır. Beş yöntemli açıklanabilirlik paketi, model tahminlerinin patolojik MRG bölgelerine dayandığını doğrulamıştır. NeuroDEEP-CNN, ilişkili üç sınıflı bir kıyaslama veri setinde yaygın olarak kullanılan beş transfer öğrenme temel modelinin en güçlüsüne yakın performans göstermekte; aynı zamanda sınıf sayısını on üç kat artırmakta ve radyolog odaklı klinik kullanıma uygun şekilde doğrulanmış tümör tespiti ve segmentasyon çıktıları sunmaktadır.
Abstract
Brain tumors require rapid and accurate differential diagnosis across many radiological subtypes. Existing classifiers rarely combine classification, lesion localization, and segmentation in a single interpretable system. NeuroDEEP-CNN is a multi-task ConvNeXtTiny backbone with three decoder heads for classification, coordinate regression, and mask segmentation, fused through a hybrid coordinate-mask attention gate. The model was trained on 12,643 T1, T1C+, and T2 MRI images across 39 classes using a two-phase focal warm-up and progressive fine-tuning strategy with an 80/10/10 stratified split. At the best checkpoint (epoch 33, selected on validation accuracy), the model achieved 92.81% validation classification accuracy and 98.26% validation top-3 accuracy. The detection branch reached a validation mean distance error of 18.56 pixels, and the segmentation branch reached a validation Dice coefficient of 0.664. A five-method explainability suite confirmed predictions are grounded in pathological MRI regions. NeuroDEEP-CNN closely approaches the strongest of five widely used transfer-learning baselines on a related three-class benchmark, while covering thirteen times the number of classes and simultaneously providing validated tumor detection and segmentation outputs suitable for radiologist-facing deployment.