Bài báo này đề xuất một khuôn khổ lai mới, CE-RS-SBCIT, để chẩn đoán sớm và phân loại chính xác các khối u não. Để giải quyết chi phí tính toán cao, độ nhạy với những thay đổi độ tương phản tinh tế, tính không đồng nhất về cấu trúc và sự không nhất quán của mô hình CNN và Transformer hiện có, chúng tôi tích hợp các CNN dựa trên học tập không gian và học tập dư thừa với các mô-đun dựa trên Transformer. Các cải tiến chính bao gồm (i) một Transformer tích hợp CNN dựa trên làm mịn và cạnh (SBCIT), (ii) một CNN học tập không gian và dư thừa tùy chỉnh, (iii) một chiến lược tăng cường kênh (CE) và (iv) một cơ chế chú ý không gian mới. SBCIT sử dụng các khối biến đổi tương tác ngữ cảnh và tích chập gốc để tạo mô hình đặc trưng toàn cục hiệu quả, trong khi các CNN dư thừa và không gian làm phong phú thêm không gian biểu diễn bằng các bản đồ đặc trưng được học chuyển giao. Mô-đun CE khuếch đại các kênh phân biệt và giảm thiểu sự dư thừa, trong khi cơ chế chú ý không gian nhấn mạnh một cách có chọn lọc vào độ tương phản tinh tế và những thay đổi của mô. Các thí nghiệm sử dụng nhiều tập dữ liệu MRI khác nhau từ Kaggle và Figshare cho thấy hiệu suất tuyệt vời, đạt độ chính xác 98,30%, độ nhạy 98,08%, điểm F1 98,25% và độ chính xác 98,43%.
