基于MobDenseNet混合深度学习模型的MRI脑肿瘤精准分类研究

为解决脑肿瘤MRI图像分类的准确性和泛化性问题，研究人员提出了一种结合MobileNetV1和DenseNet121的混合深度学习模型MobDenseNet。通过特征融合和超参数优化，该模型在Figshare和Sartaj Bhuvaji数据集上分别达到98.4%和96.02%的分类准确率，并验证了跨数据集适应性，为临床辅助诊断提供了高效工具。

　　

脑肿瘤是威胁人类健康的重大疾病，每年全球新增病例约30万例。传统诊断依赖放射科医师对MRI图像的肉眼判读，耗时且易受主观影响。尽管深度学习（DL）在医学影像分类中展现出潜力，但脑肿瘤的形态、位置和强度差异大，现有模型如MobileNetV1和DenseNet121单独使用时，难以兼顾特征提取效率与分类精度。此外，跨数据集性能下降和类别不平衡问题进一步限制了临床实用性。

为解决这些问题，研究人员开发了名为MobDenseNet的混合模型，融合了MobileNetV1的轻量化特性和DenseNet121的密集连接优势。研究采用两个公开数据集（Figshare和Sartaj Bhuvaji），分别包含3064例和3264例MRI图像，涵盖胶质瘤（glioma）、脑膜瘤（meningioma）、垂体瘤（pituitary）及正常脑组织。通过数据增强（旋转15°、平移缩放20%）、双模型特征融合及Nadam优化器调参，模型在80个epoch内完成训练，最终在独立测试集和跨数据集验证中表现出色。

模型架构与性能
MobDenseNet采用并行双通路设计：DenseNet121提取高分辨率特征，MobileNetV1通过深度可分离卷积优化计算效率。特征经最大池化层压缩后融合，由含1280个神经元的全连接层分类。在Figshare数据集上，模型准确率达98.4%（AUC 0.999），垂体瘤分类零误诊；在Sartaj Bhuvaji四分类任务中，准确率96.02%，显著优于单一模型（DenseNet121 91.5%，MobileNetV1 93.8%）。

跨数据集验证
为测试泛化性，模型在Figshare训练后，于Br35和Crystal数据集测试，准确率保持90.8%-91.8%。尽管域偏移（domain shift）导致性能小幅下降，仍高于基线模型7%-9%。混淆矩阵显示，胶质瘤与脑膜瘤的交叉误诊率最高（4.21%-4.95%），可能与两者影像特征重叠有关。

临床意义与局限
该研究首次将MobileNetV1与DenseNet121融合应用于脑肿瘤分类，其高精度和跨中心适应性为基层医疗提供了可靠工具。然而，模型参数量较大（308ms/例推断耗时），未来可通过知识蒸馏（knowledge distillation）进一步优化。论文发表于《Array》，为医学影像分析领域树立了混合架构的新标杆。