梯度能量谷优化驱动的分割与Spinal VGG-16网络在脑肿瘤精准检测中的应用

研究人员针对脑肿瘤（BT）早期精确检测难题，开发了结合SpinalNet和VGG-16 Net的Spinal VGG-16-Net方法。该方法利用梯度能量谷优化（GEVO）提升MRI图像分割精度，实现高准确率检测（92.14%），为临床预防重症提供可靠工具，意义重大。

　　

脑细胞异常增生导致的脑肿瘤（Brain Tumour, BT）会对人体神经和血管造成致命威胁。为了突破早期检测瓶颈，研究者巧妙融合SpinalNet和VGG-16 Net，打造出创新的Spinal VGG-16-Net架构。首先，磁共振成像（MRI）图像通过双边滤波器去噪；接着，利用基于熵的Kapur阈值技术分割肿瘤区域，阈值选择由梯度能量谷优化（GEVO）算法优化——该算法巧妙结合能量谷优化（EVO）和随机梯度下降（SGD）。随后，进行图像增强和特征提取，最终实现BT高效检测。与现有方案相比，Spinal VGG-16-Net在准确率（92.14%）、真阳性率（TPR 93.16%）、真阴性率（TNR 91.35%）、阴性预测值（NPV 89.73%）和阳性预测值（PPV 92.13%）上表现卓越，为精准医疗注入新活力。