HMDFF-Net：基于多尺度扩张特征融合的轻量化脑肿瘤精准诊断模型

针对脑肿瘤诊断中传统深度学习模型计算复杂度高、多尺度特征提取不足的问题，研究人员提出轻量化网络HMDFF-Net。该模型融合MobileNet主干与定制化MSDDR-Net模块，通过多尺度扩张卷积和特征融合技术，在7类医学影像数据中实现97-99%的准确率，显著降低计算成本，为临床实时诊断提供高效解决方案。

　　

脑肿瘤作为威胁人类健康的重大疾病，其早期精准诊断对治疗决策至关重要。然而，传统基于MRI的人工判读存在效率低、主观性强等问题，而现有深度学习模型又面临计算资源消耗大、多尺度特征捕捉不足的困境。尤其值得注意的是，气候变化正加剧神经系统疾病负担，全球约37.9%的卒中病例与脑肿瘤相关，但小型肿瘤的漏诊率仍居高不下。

针对这些挑战，台州市科技计划项目支持的研究团队开发了HMDFF-Net模型。这项发表于《Expert Systems with Applications》的研究，创新性地将轻量化架构与多尺度特征提取相结合。研究人员采用三大关键技术：1）以MobileNet为骨干网络降低计算复杂度；2）设计多尺度深度扩张残差网络(MSDDR-Net)增强特征提取；3）引入正交SoftMax层(OSL)提升分类判别力。实验数据涵盖7,023例脑MRI和跨模态的CT、病理等影像，并集成Grad-CAM和LIME提升模型可解释性。

主要研究结果

1. 模型架构创新：通过MSDDR-Net的并行分支结构，在保持参数效率的同时，将脑MRI分类准确率提升至99.33%（Br35H数据集），较传统CNN提升约3%。
2. 跨模态验证：在肺CT(IQ-OTHNCCD)、胃肠镜等非MRI数据中，模型保持97.45-99.90%的稳定性能，证实其泛化能力。
3. 计算效率：参数量减少40%情况下，推理速度提升2.3倍，FLOPS降低至主流CNN的1/5。
4. 小肿瘤检测：通过扩张卷积扩大感受野，对<3mm病灶的检出率提高15.7%。

结论与展望
该研究突破性地平衡了模型性能与临床实用性：1）特征融合策略有效解决医学影像的尺度变异问题；2）轻量化设计使部署成本降低60%；3）可视化工具增强医生信任度。特别值得注意的是，模型在资源受限场景（如基层医院）展现出应用潜力。未来研究可探索三维卷积扩展及多中心临床验证，进一步推动AI辅助诊断的落地转化。