مقدمه:  تشخیص سریع و دقیق تومور مغزی، برنامه ریزی درمان و بقا را به‌طور چشمگیری بهبود می‌دهد، اما بررسی دستی تصاویر تشدید مغناطیسی چندوجهی به‌دلیل ناهمگنی ضایعه، شباهت به بافت سالم و حجم بالای داده‌ها کند و خطاپذیر است. این پژوهش یک چارچوب خودکار متشکل از شبکه عصبی پیش‌خور سبک با مکانیزم توجه درونی و بهینه‌سازی ازدحام ذرات کوانتومی (QPSO) ارائه می‌کند. هدف، افزایش سرعت و دقت شناسایی تومور و حفظ تفسیرپذیری در محیط‌های درمانی دارای محدودیت منابع است.
روش کار: تصاویر MRI چندوجهی (T1، T1ce، T2 و FLAIR) از منابع معتبر مانند چالش قطعه‌بندی تومور مغزی (BraTS) و آرشیو تصویربرداری سرطان (The Cancer Imaging Archive) گردآوری شدند. تصاویر با نرمال‌سازی شدت، فیلترهای حذف نویز (گوسی و میانه) و اصلاح ناهمگنی شدت پیش‌پردازش شدند. ویژگی‌های آماری، بافتی و فرکانسی استخراج و با تحلیل مؤلفه‌های اصلی (PCA) به 300 مؤلفه کاهش یافتند. وزن‌دهی ویژگی‌ها با روشی الهام‌گرفته از اهمیت‌سنجی اسناد انجام شد. مدل شامل شبکه عصبی پیش‌خور با پنج لایه پنهان و مکانیزم توجه درونی بود که با QPSO بهینه شد. نقشه‌های حرارتی برای تفسیر نتایج تولید شدند.
یافته‌ها: مدل پیشنهادی به دقت 99/6%، حساسیت 99/4‌% و ویژگی 99/7% دست یافت و شبکه‌های کانولوشنی مرجع (97/1%) و معماری‌های U‑Net (96/2%) را پشت سر گذاشت. میانگین زمان پیش‌بینی هر تصویر کمتر از 0/5 ثانیه بود که استفاده بالینی در زمان واقعی را امکان‌پذیر می‌کند. نقشه‌های حرارتی حاصل از لایه توجه، نواحی غیرطبیعی را با تمرکز دقیق برجسته نمود و تفسیرپذیری را تقویت کرد. این شاخص‌ها در تقسیم‌بندی‌های تصادفی مکرر پایدار تکرار شدند و ارزیابی کیفی متخصصان تصویربرداری، عدم کاهش ویژگی و ارتباط بالینی یافته‌ها را تأیید کرد.
نتیجه‌گیری: شبکه پیش‌خور مجهز به توجه درونی و بهینه‌شده با QPSO توانست دقتی نزدیک به کامل و استنباطی زیر ثانیه برای تشخیص تومور مغزی روی MRI چندوجهی فراهم آورد. عملکرد بالا روی GPUهای استاندارد همراه با تولید نقشه‌های حرارتی شهودی، این چارچوب را به ابزار پشتیبان تصمیم‌گیری عملی، به‌ویژه در مراکز فاقد زیرساخت پیشرفته، بدل می‌کند. ارزیابی آینده بر داده‌های چندمرکزی و استقرار در دستگاه‌های لبه تمرکز خواهد داشت تا پذیرش بالینی و الزامات مقرراتی تقویت شود.