SWFT-Net-3D-FAOA：一种用于3D脑瘤检测的轻量级稀疏小波变换器网络

本文推荐一种名为SWFT-Net-3D-FAOA的新型轻量级深度学习模型，该模型集成了3D离散小波变换（3D-DWT）、3D二进制卷积块（3D-BCBs）和3D稀疏变换器编码器（3D-STE），并引入农民蚂蚁优化算法（FAOA）动态调参。其在BRATS 2021/2023数据集上实现了高精度（Dice系数达94.2%/95.55%）与高效率（模型<3.5 MB，推理时间270 ms/扫描），为临床实时3D脑瘤检测提供了强大解决方案。

　　

亮点

• •
  • 提出的SWFT-Net-3D-FAOA通过集成三个主要模块进行开发。
• •
  • 3D离散小波变换（3D-DWT）通过3D小波和二进制卷积增强了多尺度体积分解。
• •
  • 3D二进制卷积块（3D-BCB）以较低的复杂度和改进的层次连接增强了局部特征提取和体积上下文信息。
• •
  • 3D稀疏变换器编码器（3D-STE）模块利用稀疏变换器编码器实现全局体积上下文，并通过跨尺度体积融合模块（CSVFM）进行有效的多级融合。
• •
  • 使用农民蚂蚁优化算法（FAOA）进行结构优化和高效超参数调优，以减少训练和推理时间并确保有效收敛。
• •
  • 使用基准BRATS 2021和BRATS 2023数据集进行评估，以突显SWFT-Net-3D-FAOA模型在紧凑尺寸和实时推理方面的卓越性能。

相关研究

近期关于脑瘤检测的研究主要集中于结合不同的深度学习（DL）方法、图像处理机制、体积上下文建模、机器学习（ML）方法以及元启发式算法。具有更深架构的DL方法使用更为普遍。Khan等人[7]提出了一种CNN和VGG-16用于检测脑瘤。相比之下，VGG16性能更优，在哈佛医学数据集上达到了100%的准确率、精确率、召回率和F1分数。

提出的方法论

SWFT-Net-3D-FAOA模型被构建为一个多阶段 pipeline，将空频分析、二进制神经计算、基于Transformer的全局建模和元启发式优化结合到一个可泛化的3D医学图像分析系统中。图1描绘了SWFT-Net-3D-FAOA的 pipeline 图。

输入数据包括一个3D MRI体积，每个扫描包含跨多个切片的体积信息。3D-DWT模型将MRI体积分解为多个子带。

结果与讨论

用于3D MRI脑瘤检测的SWFT-Net-3D-FAOA使用了BRATS 2021和2023进行计算。该模型使用Python语言在PyCharm工具上开发，运行在64位系统上，配备Intel Core i7处理器、Windows 11操作系统、16 GB RAM、512 GB SSD，以及CUDA 11.7和cuDNN GPU加速。表3展示了用于3D MRI脑瘤检测的SWFT-Net-3D-FAOA的实验设置。

表3总结了用于训练和评估SWFT-Net-3D-FAOA模型的完整实验配置。

结论

SWFT-Net-3D-FAOA是一种新颖的轻量级模型，专为利用体积MRI数据进行3D脑瘤检测而设计。该模型解决了计算负担、空频学习以及跨不同肿瘤类型和数据集的泛化等挑战。其组件，如3D-DWT、3D-BCB和3D-STE，实现了跨空间和频率域的鲁棒特征提取。CSVFM整合了多分辨率特征，确保了精细和粗糙尺度的肿瘤特征。