基于改进VGG16与LeNet-MobileNetV2融合的深度学习框架在前列腺癌MRI检测中的应用与优化

本文针对前列腺癌早期诊断的临床挑战，提出了一种融合改进VGG16与混合LeNet-MobileNetV2架构的新型深度学习框架。研究通过优化模型超参数、采用增强主动轮廓模型（E-ACM）分割病灶区域，并结合深度迁移学习与SM-FLOA特征选择算法，在PROMISE12数据集上实现了96.3%的准确率，显著优于ResNet50和EfficientNetB0等现有模型，为AI辅助前列腺癌精准诊断提供了高效解决方案。

　　

前列腺癌是全球男性第二大常见恶性肿瘤，每年新增病例超110万例。尽管现有诊断方法如MRI和活检具有较高准确性，但其依赖专家经验、耗时长且存在主观差异。传统机器学习方法在特征提取和泛化能力上存在局限，而深度学习方法如VGG16、ResNet等又面临计算复杂度高、小样本过拟合等问题。这些挑战促使研究者探索更高效的AI辅助诊断方案。

Nandhini T J团队在《Results in Engineering》发表的研究中，创新性地整合了改进VGG16的深度特征提取能力与轻量级LeNet-MobileNetV2混合架构的优势。研究采用I2CVB和PROMISE12数据集（共271例MRI样本），通过预处理消除噪声后，利用增强主动轮廓模型（E-ACM）实现病灶精准分割，其能量函数最小化策略显著提升了弱边缘检测能力。特征提取阶段采用深度迁移VGG16保留卷积层（13层）并移除全连接层，结合Shuffled Metaphor Frog Leap优化算法（SM-FLOA）筛选最优特征。分类器融合Dense Auxiliary LeNet的浅层特征捕获与MobileNetV2的深度可分离卷积优势，通过网格搜索确定最佳超参数（学习率0.001，批量32）。

关键技术包括：

1. 1.

   改进VGG16架构（保留3×3卷积核，移除FC层）

2. 2.

   E-ACM分割模型（结合Heaviside函数优化收敛）

3. 3.

   SM-FLOA特征选择（模拟青蛙种群觅食行为）

4. 4.

   混合分类器（LeNet+MobileNetV2，含残差连接）

研究结果显示：

1. 1.

   性能指标：准确率96.3%（vs ResNet50 90.69%）、精确度95.8%、召回率96.7%、F1-score 96.2%，ROC曲线下面积达0.978。

2. 2.

   误差分析：RMSE 0.25%（低于KNN 0.44%）、MAE 0.08（优于SVM 0.3），kappa统计量0.94显示极高一致性。

3. 3.

   分割效果：Dice系数0.85、LFPR 0.039，证明E-ACM在肿瘤边界定位的优越性。

4. 4.

   消融实验：完整模型比单一VGG16或LeNet-MobileNetV2组合提升2-4%准确率，验证架构融合的必要性。

讨论部分指出，该框架通过三重创新突破现有局限：

1. 1.

   计算效率：MobileNetV2的深度可分离卷积将参数量减少33%

2. 2.

   泛化能力：SM-FLOA优化使模型在外部验证集PROMISE12保持94.57%准确率

3. 3.

   临床适用性：弹性形变数据增强策略有效解决小样本问题（训练集仅217例）

研究存在MRI设备差异导致的泛化限制，未来可通过多中心数据验证。这项工作为前列腺癌AI诊断树立了新标杆，其模块化设计可扩展至其他医学影像分析领域。