基于改进遗传算法的编码器-解码器网络，在3D医学图像中用于脑肿瘤检测

《ACM Transactions on Evolutionary Learning and Optimization》：A Modified Genetic Algorithm Based Encoder-Decoder Network for Brain Tumor Detection in 3D Medical Images

针对3D MRI图像中脑肿瘤检测精度与模型大小的矛盾，本文提出基于NAS的3D Encoder-Decoder网络优化方法，结合改进遗传算法（E-GA）自动搜索Transformer、SE模块等高效网络结构，在保持高检测性能的同时显著压缩模型体积，并通过Pareto优化平衡计算资源与诊断效果。

　　

摘要

及时发现脑肿瘤对于提高治疗效果和患者预后至关重要。3D医学成像技术（尤其是磁共振成像MRI）的发展显著提升了诊断准确性，因为它能够提供比传统2D方法更详细的解剖结构视图。然而，在MRI图像中检测脑肿瘤仍面临诸多挑战，这些肿瘤在位置、形状和信号强度上存在很大差异。此外，3D卷积神经网络（CNN）模型的超参数手动设计和微调本身就很复杂，需要专业领域的知识。3D图像的庞大体积进一步增加了复杂性，导致内存需求增加和模型规模扩大。为应对这些挑战，本文提出了一种基于神经架构搜索（NAS）的新方法，用于设计最优的3D编码器-解码器（ED）CNN模型，以提升脑肿瘤检测性能的同时减小网络规模。研究设计了包含多种模块结构（如变换器、挤压-激励模块和efficientNet模块）的广泛搜索空间，以及各种激活函数和归一化层，并确定了损失函数和优化器等关键训练超参数。同时，引入了一种改进的遗传算法（E-GA），通过改进的选择和种群更新机制高效探索搜索空间。E-GA能够识别出最优参数，从而构建出在检测性能与模型规模之间实现平衡的3D ED网络，形成一组帕累托最优解。在两个基准脑肿瘤数据集上的评估表明，该方法相比现有最先进方法具有更优越的性能和更小的模型规模，展现了其在提升3D医学图像分析效果和改善患者预后方面的潜力。