轻量化深度学习模型MobileNetV3与SqueezeNet的特征融合在脑肿瘤多分类中的高效诊断研究

为解决脑肿瘤MRI诊断中人工分析效率低、结果易变的问题，研究人员开展基于MobileNetV3和SqueezeNet的轻量化深度学习模型研究，通过特征融合技术实现四分类（胶质瘤、脑膜瘤、垂体瘤、无肿瘤），最终MobileNetV3以99.31%准确率（参数仅3.47M）超越VGG16等基线模型，Grad-CAM可视化增强可解释性，为临床部署提供高效精准方案。

　　

脑肿瘤作为威胁人类健康的重大疾病，其精准分类对临床治疗决策至关重要。传统磁共振成像(MRI)分析依赖人工判读，存在效率低下和主观差异等局限性。这项研究创新性地采用两种轻量化深度学习架构——MobileNetV3（以深度语义特征提取见长）和SqueezeNet（以极低计算开销著称），构建了针对四类脑肿瘤（胶质瘤glioma、脑膜瘤meningioma、垂体瘤pituitary tumors及无肿瘤no tumor）的自动分类系统。

研究团队采用包含7023张MRI图像的公开数据集，严格保持65:17:18的数据划分比例进行训练-验证-测试。通过特征层融合技术，将MobileNetV3的丰富表征能力与SqueezeNet的架构精简优势相结合，在统一超参数和预处理条件下进行系统对比。结果显示，MobileNetV3以99.31%的测试准确率刷新性能标杆，同时仅需3.47百万参数，显著优于VGG16等传统计算密集型模型。

为增强模型透明度，研究引入梯度加权类激活映射(Grad-CAM)技术，直观展示网络聚焦的肿瘤相关解剖区域。这种可解释性分析与高精度分类的协同实现，标志着轻量化网络在医学影像分析领域的重大突破——既能满足临床诊断的严苛精度要求，又可适配资源受限的医疗场景部署。该成果为人工智能辅助脑肿瘤筛查提供了兼具性能优势与落地可行性的技术范式。