轻量化AD-Net模型用于颅内肿瘤MRI图像的分类研究
向朝随力张昊天段梦雨刘卓睿
上海理工大学健康科学与工程学院
摘要：颅内肿瘤是一种严重的神经系统疾病，早期检测对提高患者生存率具有重要意义．然而，现有深度学习模型在颅内肿瘤图像分类任务中仍面临特征提取不足、模型复杂度较高以及类别不均衡等问题．为此，本研究提出了一种轻量化深度学习网络即自适应动态网络（AD-Net）．该网络创新性地引入动态卷积机制，自适应调整滤波器响应，从而增强了对颅内肿瘤复杂、不均特征的表征能力；结合通道注意力机制，有效聚焦关键通道信息，进一步提升了分类的准确性与模型的可解释性．此外，本研究提出了结合二分类与三分类的训练策略，显著缩短了模型训练时间，降低了对计算资源的需求，使其更适用于资源受限的医疗环境．在实验中，AD-Net在准确率、精确率、召回率、F1分数以及Kappa系数等关键评价指标上均优于现有主流深度学习模型，验证了其在颅内肿瘤分类任务中的有效性与实际应用价值．
关键词： 颅内肿瘤分类;卷积神经网络;动态卷积;通道注意力机制;轻量化模型;