PBVit: Ein patchbasierter Vision Transformer zur verbesserten Erkennung von Hirntumoren

Hirntumoren sind von erheblicher Bedeutung für die menschliche Gesundheit und werden in drei Haupttypen klassifiziert: Gliom, Meningiom und Hypophysentumoren. Eine frühzeitige Erkennung und genaue Klassifizierung sind entscheidend für eine effektive Diagnose und zur Senkung der Gesundheitskosten. In PBVit präsentieren wir ein neuartiges Framework zur Erkennung von Hirntumoren, den Patch Based Vision Transformer (PBVit). PBVit verfolgt einen patchbasierten Ansatz, bei dem die Eingabebilder der Tumoren in feste Patch-Größen unterteilt werden, wobei jeder Patch als Token behandelt wird. Diese Bild-Patches werden linear in niederdimensionale Token-Embeddings projiziert, und Positionskodierungen werden hinzugefügt, um dem Modell zu helfen, die räumlichen Beziehungen innerhalb des Bildes zu verstehen. PBVit verbessert die Erkennung komplexer Muster und Anomalien in Gehirnscans und erhöht die diagnostische Genauigkeit. Wir haben PBVit mit dem Figshare-Hirntumordatensatz trainiert und bemerkenswerte Leistungsverbesserungen im Vergleich zu traditionellen CNN-basierten Modellen festgestellt. PBVit erreichte eine Genauigkeit von 95,8 %, eine Präzision von 95,3 %, einen Rückruf von 93,2 % und einen F1-Score von 92 %, was auf seine Robustheit bei der Identifizierung von Hirntumoren hinweist. Die vielversprechenden Ergebnisse zeigen, dass PBVit eine wichtige Rolle bei der erleichterten Diagnostik im Frühstadium spielen kann, unnötige Biopsien reduziert und letztendlich die Patientenversorgung verbessert, während es auch das Potenzial transformerbasierter Architekturen in der medizinischen Bildgebung aufzeigt.