MedFusion Diff: A Diffusion-Based Framework for Brain Tumor Detection and MRI Generation
Notice bibliographique
Résumé
Accurate detection and classification of brain tumors from MRI scans is still a significant challenge in medical image analysis due to a lack of labeled data, complicated tumor morphology, and high variability across patients. To address these challenges, we propose MedFusion-Diff, a new unified deep learning framework that integrates the generation of diffusion-based synthetic MRIs, tumor segmentation, and glioma subtype classification within a single task-aware framework. Unlike most existing approaches that perform these tasks independently, MedFusion-Diff uses a context-aware diffusion model to generate synthetic images that are realistic and clinically interpretable,thus improving model learning and generalization. The segmentation module effectively delineates tumor boundaries using attention networks, while the dual-stream classifier also enriches the feature set through both real and generated MR images. When benchmarked on a brain tumor dataset, MedFusion-Diff attained a Dice score of 94.3% for segmentation and a classification accuracy of 95.7%, significantly outperforming standard models (U-Net, ResNet, DenseNet). The results further demonstrate the benefits of incorporating synthetic data into the learning process itself, rather than simply treating it as a static step of augmentation. Along with compelling quantitative performance, MedFusion-Diff offers modular design, clinical adaptability, and scalability to multi-modal imaging tasks. Overall, this work not only pushes the state-of-the-art in brain tumor analysis but also reconceptualizes the usage of synthetic data in medical deep learning by embedding it as part of the model’s loop of learning, and opens the door to more intelligent, data-efficient, and clinically meaningful AI solutions in neuroimaging.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».