본 논문은 뇌종양의 조기 진단 및 정확한 분류를 위한 새로운 하이브리드 프레임워크인 CE-RS-SBCIT를 제안합니다. 기존 CNN 및 Transformer 모델의 높은 계산 비용, 미세한 대조 변화에 대한 민감성, MRI 데이터의 구조적 이질성 및 조직 불일치 문제를 해결하기 위해, 잔차 및 공간 학습 기반 CNN과 Transformer 기반 모듈을 통합하였습니다. 핵심 혁신으로는 (i) 스무딩 및 경계 기반 CNN 통합 Transformer (SBCIT), (ii) 맞춤형 잔차 및 공간 학습 CNN, (iii) 채널 향상 (CE) 전략, (iv) 새로운 공간 어텐션 메커니즘을 제시합니다. SBCIT는 효율적인 전역 특징 모델링을 위해 stem convolution과 contextual interaction transformer 블록을 사용하며, 잔차 및 공간 CNN은 전이 학습된 특징 맵을 통해 표현 공간을 풍부하게 합니다. CE 모듈은 차별적인 채널을 증폭하고 중복성을 완화하며, 공간 어텐션 메커니즘은 미세한 대조 및 조직 변화를 선택적으로 강조합니다. Kaggle 및 Figshare의 다양한 MRI 데이터셋을 사용한 실험 결과, 98.30% 정확도, 98.08% 민감도, 98.25% F1-score, 98.43% 정밀도를 달성하여 우수한 성능을 보였습니다.
