基于多尺度注意力与超图神经网络的深度学习框架：前列腺癌分类与分割的创新研究

本文提出了一种融合多尺度注意力机制与超图神经网络的深度学习框架，通过稀疏保边增强（SEPE）和离散小波变换（DWT）优化多参数磁共振成像（mpMRI）预处理，采用双流混合注意力增强DeepLabv3+（DS-HA-Deeplabv3+）实现精准分割，结合自适应二进制马群优化算法（ABHHOA）进行特征选择，并利用多尺度关系编码超图神经网络（HGNN-MRE）捕获特征间高阶依赖关系，最终通过自适应福萨优化算法（SA-FOA）动态调参，显著提升了前列腺癌诊断的准确性与鲁棒性。

　　

^亮点

• 开发了一种混合深度学习框架，整合多尺度注意力机制和基于图的学习，以改进使用mpMRI的前列腺癌诊断的分割、特征选择、分类和优化。

• 使用SEPE和DWT进行预处理，增强图像质量，保留解剖结构，并改善病变对比度，同时最小化噪声，以获得更好的分割和分类性能。

• DS-HA-Deeplabv3+模型用于前列腺分割，结合空间注意力以细化边界保留和光谱注意力以捕获组织变化，从而确保高精度分割。

• 通过ABHHOA进行自适应特征选择，动态选择最具信息量的放射组学生物标志物，减少特征冗余，并增强恶性和良性病变的分类准确性。

• HGNN-MRE用于分类，建模放射组学特征之间的复杂非欧几里得关系，确保卓越的上下文特征表示和恶性肿瘤区分。

• 引入SA-FOA进行超参数调优，利用进化自学习策略增强模型在多参数MRI模态间的收敛性和稳定性。

• 综合实验评估，包括分割准确性、分类有效性、消融研究以及与最先进方法的比较分析，以验证所提出模型的有效性。

• 使用五折交叉验证进行验证，证明了所提出方法的一致性、可靠性和可行性，从而确保其在实际前列腺癌检测和诊断中的适用性。

^{结果与讨论}

进行了详细评估以验证所提出框架在前列腺癌检测、分割和分类方面的性能。分析考虑了分割准确性、分类有效性以及与现有先进技术的比较。使用多种评估指标来衡量性能，并进行了消融研究以确定各个模型组件如何影响性能。比较结果表明，所提出框架在分割和分类任务上均优于现有方法，展示了其鲁棒性和泛化能力。具体而言，分割结果显示出97.8%的Dice系数、95.6%的IoU和1.92的Hausdorff距离，分类准确率达到97.82%，精确度97.88%，召回率97.76%，F1分数97.82%，特异性97.92%。这些结果证实了该框架在多参数MRI模态（如T2加权、ADC和高b值）上准确边界定位和恶性肿瘤识别的能力。

^结论

本文提出了一种混合深度学习框架，旨在通过多尺度注意力机制、基于图的学习和进化优化来增强前列腺癌诊断的特异性和敏感性，涵盖分割、特征选择、分类和超参数调优。通过稀疏保边增强和离散小叶变换对MRI进行增强预处理，减少了噪声伪影，同时保留了关键解剖细节。双流混合注意力增强DeepLabv3+网络通过空间和光谱注意力机制实现了精确的前列腺分割。自适应二进制马群优化算法动态选择了最具鉴别力的放射组学特征，而多尺度关系编码超图神经网络捕获了特征间的高阶依赖关系，从而提高了分类准确性。自适应福萨优化算法确保了跨模态的最佳超参数配置。实验验证证明了该框架在多个指标上的卓越性能，表明其作为前列腺癌诊断可靠工具的潜力。未来的工作将探索该框架在其他癌症类型中的适用性，并整合更多成像模态以进一步增强诊断能力。