基于粒子群优化增强卷积神经网络的红外热成像早期乳腺癌检测研究

研究人员针对传统乳腺癌检测方法存在侵入性、成本高且对致密乳腺组织效果不佳的问题，开发了一种结合增强粒子群优化(EPSO)的卷积神经网络(CNN)模型，通过红外热成像实现非侵入性筛查。该研究整合Mamdani模糊逻辑边缘检测、CLAHE对比度增强等技术，分类准确率达98.8%，为临床早期诊断提供了高效可靠的解决方案。

　　

乳腺癌是全球女性癌症相关死亡的主要原因，每年新增病例超过50万例。传统诊断方法如乳腺X线摄影虽广泛应用，但存在电离辐射、对致密乳腺组织敏感性低等问题。红外热成像(Infrared Thermography)作为无创、低成本替代方案，却因热图像解析困难和机器学习算法调参不足而临床应用受限。

Majmaah大学医学院的研究团队在《Scientific Reports》发表研究，提出一种自动化分类框架：通过增强粒子群优化(EPSO)算法自动调整CNN超参数，结合Mamdani型-2模糊逻辑边缘检测、CLAHE对比增强和中值滤波等预处理技术，显著提升分类性能。研究采用巴西HUAP医院的7909张乳腺热图像数据集，通过Wasserstein GAN(WGAN-GP)生成合成数据平衡样本。

关键技术包括：(1)EPSO优化CNN结构参数(卷积核大小、全连接层神经元数等)和训练参数(学习率、dropout率)；(2)型-2模糊逻辑边缘检测增强肿瘤边界识别；(3)CLAHE改善图像对比度；(4)WGAN-GP生成合成数据解决样本不平衡问题。

研究结果显示：

1. 预处理优化：型-2模糊边缘检测较传统Canny算子更有效保留肿瘤特征(图3-4)，CLAHE预处理使微钙化灶更清晰。
2. 模型性能：EPSO-CNN在11类乳腺癌分期(F1-F11)分类中平均准确率达98.8%(表1)，显著优于PSO-CNN(96.5%)和传统SVM(88%)。WGAN-GP生成数据使SRID(结构相似性指数)达0.98(表4)。
3. 比较分析：15折交叉验证显示，该方法在F4/F5等难分类别实现100%识别率(图11)，ROC曲线AUC达1.00(图12)。

结论部分强调，该研究首次将EPSO算法与CNN架构结合应用于乳腺热图像分析，通过自动超参数调优减少人工干预，分类速度提升至214ms/样本(表6)。临床意义在于：(1)为资源有限地区提供低成本筛查方案；(2)无辐射特性适合高频次监测；(3)模块化设计可扩展至其他癌症影像诊断。未来工作将探索多模态数据融合和实时临床部署，推动AI辅助诊断系统落地。