Dikkat mekanizmalarına dayalı hibrit derin öğrenme yaklaşımıyla üç boyutlu mr verilerinde beyin tümörü bölütlemesi

Bu çalışma, üç boyutlu manyetik rezonans görüntüleme (3B MRG) verileri üzerinde beyin tümörü bölütlemesini gerçekleştirmek üzere tasarlanan, yeni bir dikkat (attention) temelli model önermektedir. Model, hem Gated Attention (geçit kontrollü dikkat mekanizması) hem de CBAM (Convolutional Block Attention Module) yapılarını bir araya getirerek hem uzamsal hem de kanalsal bağlamları daha etkili biçimde yakalamayı amaçlamaktadır. Model mimarisi klasik bir encoder (kodlayıcı)–decoder kod çözücü) yapısı üzerine inşa edilerek, kodlayıcı ile kod çözücü arasındaki geçiş bölgesine Gated Attention katmanı yerleştirilmekte ve çözücü kısmında yer alan sıçrama bağlantılarına CBAM blokları entegre edilmektedir. Model, BraTS (Brain Tumor Segmentation Challenge) 2020 veri seti üzerinde hasta bazlı ayrım ile eğitilerek değerlendirilmektedir. Test verisi üzerinde elde edilen ortalama başarımlar şu şekildedir: Doğruluk (accuracy) 0.9934 ± 0.0034, Dice skoru 0.8768 ± 0.0738, IoU skoru 0.7876 ± 0.1079 ve Hassasiyet (recall) 0.8409 ± 0.1192. Ayrıca, modelin toplam hesaplama karmaşıklığı 83.32 GFLOPs olarak ölçülmekte ve yalnızca 0.98 milyon parametre içermesiyle dikkat çekici bir hesaplama verimliliği sergilemektedir. Sonuçlar, önerilen çift dikkat mekanizmalı yapının hem genel doğruluğu hem de tümörün sınırlarını belirlemedeki başarımı açısından literatürdeki birçok yönteme kıyasla rekabetçi ve dengeli bir yapı sunduğunu göstermektedir.