摘要简介：异常的脑细胞包括脑瘤，它会导致严重的器官功能障碍，甚至导致死亡。这些肿瘤的大小、纹理和位置各异。诊断脑瘤的过程非常耗时，需要放射科医生的专业知识。脑瘤分为神经胶质瘤、脑膜瘤、垂体瘤和非肿瘤。随着患者数量和数据量的增加，传统方法变得成本高昂且效率低下。方法：研究人员开发了检测和分类脑瘤并优先考虑准确性和效率的算法。深度学习 (DL) 技术越来越多地用于创建能够精确诊断或分割脑瘤的自动化系统，特别是用于脑癌分类。这种方法支持在医学成像中使用迁移学习模型。提出的模型是对 Xception 模型组件的修改，通过添加大量参数来提高 Xception 模型的效率。结果：将提出的 Xception 模型应用于 Masoud Nickparvar 脑肿瘤 MRI 数据集，准确率为 99.6%，灵敏度为 99.7%，特异性为 99.7%，F1 得分为 99.9%。讨论：提出的模型的效率参数确保它是一种诊断脑肿瘤的有效模型。与其他模型的比较分析表明，提出的框架对于及时检测各种脑肿瘤具有很高的可靠性。结论：结果证实了我们提出的模型的有效性，与以前的模型相比，该模型在肿瘤检测方面获得了更高的整体准确率。因此，提出的模型被认为是专家诊断脑肿瘤的宝贵决策工具。