基于图像融合与特征优化的MRI脑肿瘤智能分类新方法

本研究针对脑肿瘤MRI图像分类中特征重叠、对比度不足等难题，创新性融合CLAHE与DWT图像增强技术，结合DenseNet双模型特征融合架构与注意力机制，引入Chirplet Transform优化特征序列。在Kaggle（99.16%）和Figshare（94.28%）数据集上实现突破性分类精度，为临床提供高精度AI辅助诊断工具。

　　

脑肿瘤作为致死率高达91.6%的恶性疾病，其早期诊断依赖磁共振成像（MRI）技术，但传统方法存在小肿瘤检出率低（仅35.9% 5年生存率）、特征重叠等瓶颈。人工诊断易漏诊，而单一深度学习模型难以捕捉MRI中复杂的恶性特征。针对这一临床痛点，某大学研究团队在《Biomedical Signal Processing and Control》发表研究，通过多模态技术融合开创了脑肿瘤智能分类新范式。

研究采用Kaggle（7,023例）和Figshare（3,064例）公开数据集，核心技术包括：1）CLAHE（对比度受限自适应直方图均衡化）与DWT（离散小波变换）图像融合增强肿瘤边界；2）DenseNet121/DenseNet169双模型特征融合架构；3）注意力机制优化特征流；4）Chirplet Transform捕获亚临床肿瘤特征。

【Methods and materials】
通过CLAHE提升图像对比度，DWT分解低频纹理与高频细节，融合后输入双DenseNet模型。注意力模块动态加权关键特征，Chirplet Transform进一步提取时频域微细特征。数据增强解决样本不平衡问题。

【Results and discussion】
在Kaggle数据集达到99.16%分类准确率，较单一模型提升6.8%；Figshare数据集94.28%的精度证实泛化能力。可视化显示融合技术有效分离胶质瘤与脑膜瘤的相似特征，注意力机制使模型聚焦于肿瘤强化区域。

【Conclusion】
该研究突破性地将图像处理（CLAHE+DWT）、深度特征融合（DenseNet双架构）与时频分析（Chirplet Transform）三级联，首次实现MRI图像中恶性与良性肿瘤的亚毫米级特征区分。临床价值在于：1）解决传统MRI 91.6%假阴性难题；2）为PET-MRI多模态诊断提供AI决策支持；3）特征融合框架可扩展至肺癌、宫颈癌等肿瘤早筛领域。作者Arash Hekmat等强调，该方法将计算机辅助诊断（CAD）系统的平均诊断耗时从45分钟缩短至3.2分钟，为《"健康中国2030"规划纲要》肿瘤早诊目标提供关键技术支撑。