《Brain Research》：Hardware-based brain tumor classification using graph laplacian spectral features
编辑推荐：
脑肿瘤检测中基于图拉普拉斯谱特征与机器学习分类的实时方法研究，通过构建MRI图像图模型并提取三种拉普拉斯矩阵（未归一化、归一化、随机游走）的GLS特征，结合LGBM等分类器实现98%以上准确率，并验证在PYNQ-ZU平台的实时可行性。
Suman Rekha Dip | Hemant Kumar Meena
电气工程系，马拉维亚国立理工学院，斋浦尔，302017，拉贾斯坦邦，印度
摘要
由于脑部MRI数据的复杂性、非欧几里得特性和不规则性，早期准确识别脑肿瘤（BT）是最具挑战性的问题之一。图信号处理（GSP）提供了一个强大的框架，通过将脑图像建模为图上的信号来准确描述不规则的邻域连接性，并能够同时分析数据的空间和频谱特性。GSP的一个关键方面是构建适当的图，因此基于图的表示和算法的性能取决于所使用图的定义。然而，在不同的应用领域中定义这样的图往往很复杂。理想情况下，构建的图应该允许数据在其拓扑结构上表现出平滑性或规律性。为了解决这个问题，本研究讨论了图拉普拉斯矩阵或图拓扑结构，使脑MRI数据能够在图中平滑变化。我们利用三种形式的图拉普拉斯矩阵（未归一化、归一化和随机游走）来提取具有区分性的图拉普拉斯谱（GLS）特征，该特征能够准确反映肿瘤对脑结构的改变。对Br35H和Kaggle-4600 MRI数据集的实验评估表明，基于未归一化拉普拉斯矩阵的GLS特征在Br35H数据集上的分类准确率为98.33%，在Kaggle-4600数据集上为98.21%，同时保持了最低的计算成本。这些分类结果验证了GSP和图拓扑学习在提高BT检测方面的潜力，提供了一种有效的方法来建模脑组织的固有连接性。
引言
脑肿瘤（BT）是细胞或组织的异常生长，可能是良性的也可能是恶性的。良性肿瘤是非癌性的，生长缓慢，并且保持在同一位置。尽管良性肿瘤较为罕见，但恶性肿瘤可以迅速扩散并影响附近或远处的组织（Lee, 2015）。脑肿瘤可以分为两类：原发性和继发性。原发性脑肿瘤起源于大脑本身，而继发性脑肿瘤则起源于身体的其他部位并扩散到大脑（Paul et al., 2023）。脑肿瘤的影响取决于其体积、大小和形状。症状包括癫痫发作、行为或认知问题、说话或理解困难、听力或视力问题、平衡和协调问题、肢体麻木或无力以及持续性头痛。常用的神经成像技术包括磁共振成像（MRI）、计算机断层扫描（CT）、X射线、磁共振光谱（MRS）、脑磁图（MEG）和正电子发射断层扫描（PET）来检测脑肿瘤。另一方面，活检有助于确定恶性肿瘤的类型。MRI技术通过提供同一结构在不同方向和对比度水平下的多张图像来提高诊断准确性（Louis et al., 2021）。最佳治疗方案受到肿瘤大小、形状、位置以及患者偏好等因素的影响。过去，医疗专业人员手动分析MRI和CT扫描图像以检测脑肿瘤（Preetha et al., 2024）。脑肿瘤的手动检测完全依赖于检查者的专业知识和判断力。在最新的技术中，先进的机器学习（ML）和深度学习（DL）被应用于计算机视觉中，以提高癌症检测的精确度和可靠性。这些技术通过增加自动化程度和提高诊断精度来改善诊断准确性。如今，如图信号处理（GSP）（Ma et al., 2023）这样的先进信号处理技术受到了广泛关注，它通过将图像转换为图来帮助识别医学图像中的复杂关联和模式。
相关工作
随着机器学习和深度学习技术在提高诊断准确性方面的进步，许多研究讨论了人工智能（AI）在脑肿瘤检测和治疗中的关键作用（Amin et al., 2022, Maurya et al., 2023）。脑肿瘤的MRI分类过程包括预处理、特征提取、特征选择和分类步骤（Verma and Yadav, 2025）。传统方法通常使用手工制作的特征，如统计特征。
方法论
本节概述了所提出研究的结构，包括几个关键阶段：预处理、图构建、特征提取、特征采样、特征选择和分类。所提出的方法论如图1所示。
实验结果与讨论
本节使用公开可用的数据集对所提出的脑肿瘤检测方法进行了全面评估。报告概述了实验设置、性能指标和数据集要求，并比较了不同模型的结果。还提出了关键结论，突出了数据中的重要发现和见解。
结论与未来展望
本研究提出了一种基于图拉普拉斯谱特征和机器学习分类器的新型方法，用于利用MRI图像检测脑肿瘤。所提出的技术使用三种不同的拉普拉斯矩阵（未归一化、归一化和随机游走）来确定谱特性。图拉普拉斯特征通过SMOTE进行重采样，并使用Shapley Additive Explanations进行选择。对于分类，使用了GB、XGB、LGBM和CatBoost算法，其中LGBM取得了最佳效果。
作者贡献声明
Suman Rekha Dip：撰写——原始草稿、软件开发、方法论设计、数据管理、概念构建。
Hemant Kumar Meena：撰写——审稿与编辑、验证、监督、概念构建。
