基于GL1正则化核选择优化的脑肿瘤分类方法研究

为解决脑肿瘤分类中预训练模型核级适应性优化问题，研究人员提出了一种结合群组套索（GL1）正则化的自适应优化模型，通过近端梯度下降算法实现关键核的筛选与微调。该研究在胶质瘤、脑膜瘤和垂体瘤的三分类任务中验证了模型效能，为医学影像自动化诊断提供了新范式。

　　

脑肿瘤以其快速侵袭性生长特性成为全球最致命的疾病之一，亟需开发自动化检测技术。深度迁移学习虽在医学影像分类中展现出强大潜力，但现有方法仅关注层级调整而忽略核级贡献差异。本研究创新性地引入群组套索（Group Lasso, GL₁）正则化框架，构建可区分冻结核与微调核的自适应优化模型。通过近端梯度下降算法（Proximal Gradient Descent）动态筛选对目标任务最具贡献的源特征，在胶质瘤（glioma）、脑膜瘤（meningioma）和垂体瘤（pituitary tumor）的MRI三分类任务中实现性能突破。实验证实该模型能精准识别关键功能核，显著提升分类准确率，为智能医疗诊断系统提供了可解释性优化路径。