基于CNN与飞蛾扑火优化算法的脑肿瘤混合分析模型：精准分割与分类新策略

针对脑肿瘤早期精准诊断难题，本研究创新性地提出融合飞蛾扑火优化算法（MFO）与卷积神经网络（CNN）的混合模型BTA-Net，通过K-means+MFO实现99.6%分割准确率，结合定制化CNN架构完成三分类任务，分类精度提升3.22%，为临床资源受限环境提供高效自动化解决方案。

　　

脑肿瘤作为威胁人类健康的重大疾病，其早期精准诊断一直是医学影像领域的核心挑战。尽管磁共振成像（MRI）技术能提供高分辨率脑部结构图像，但传统人工判读存在效率低、主观性强等问题。尤其对于儿童患者，随着电子设备使用频率增加，肿瘤发病率呈现上升趋势，临床亟需自动化分析工具。当前深度学习模型如U-Net虽在肿瘤分割中表现优异，但普遍面临计算资源消耗大、小数据集适应性差等瓶颈，难以在基层医疗机构推广。

为突破这些限制，研究人员创新性地将生物启发算法与深度学习相结合，提出名为BTA-Net的混合分析框架。该模型通过双重应用飞蛾扑火优化算法（MFO），既优化了K-means聚类中心提升分割精度，又驱动特征选择过程降低数据维度。实验采用中国南方医院和天津总医院提供的3,064例多平面MRI数据集，涵盖脑膜瘤、胶质瘤和垂体瘤三种类型，通过数据增强技术有效缓解样本不足问题。

关键技术方法包括：1）基于强度限制的自适应MRI预处理；2）K-means+MFO混合分割算法（平均Dice系数0.941）；3）定制化特征描述符提取；4）MFO引导的特征选择（精度提升1.2%）；5）轻量级BTA-Net CNN架构（3个卷积块+Adam优化器）。

研究结果方面：

1. 模型架构设计：BTA-Net采用三阶段卷积结构（32-64-128滤波器），配合0.4 dropout率和L2正则化（λ=0.0005），在RTX 3060 GPU上实现单图0.27秒处理速度。
2. 分割性能：K-means+MFO组合以99.6%准确率显著优于PSO、ABC等对比算法（p<0.05），Jaccard指数达0.890±0.022。
3. 分类表现：十折交叉验证显示模型整体准确率93.6%，较基线方法提升3.22%，其中垂体瘤分类召回率最高（94.2%）。
4. 统计验证：配对t检验证实精度提升具有显著性（p=0.0034），在T1/T2/FLAIR多模态数据中保持97.6-98.1%稳定准确率。

这项发表于《Informatics in Medicine Unlocked》的研究，通过生物启发算法与深度学习的协同创新，突破了传统模型在计算效率与诊断精度间的权衡困境。其双重MFO机制设计不仅提供了一种特征选择新范式（冗余特征惩罚项使训练时间减少20%），轻量级架构更使模型在普通i7CPU设备上也能实现0.52秒/图的实时处理能力。未来通过引入多标签分类功能和跨模态适配，该技术有望成为基层医疗机构的标准化肿瘤筛查工具，为分级诊疗体系提供关键技术支撑。