基于混合Mobile-SpinalNet与多模态特征提取的MRI图像脑肿瘤检测研究

本文推荐一篇创新性医学影像分析研究，作者团队提出混合Mobile-SpinalNet深度学习框架，通过均值滤波（Mean filter）、模糊C均值（FCM）颅骨剥离、TransUNet分割、数据增强及多特征（SURF/ORB/FLBP/统计特征）提取，结合分数阶微积分（FC）回归建模，实现MRI脑肿瘤精准检测（准确率0.943）。该方案为计算机辅助诊断（CAD）系统提供新范式。

　　

Highlight

引入Mobile-SpinalNet用于脑肿瘤检测：本研究开发了一种新型混合深度学习框架——Mobile-SpinalNet，通过结合MobileNet和SpinalNet的优势，并基于分数阶微积分（Fractional Calculus, FC）的回归建模，实现了脑肿瘤的高效检测。

Motivation

脑肿瘤因其对健康脑组织的破坏性而极具危险性。尽管已有多种检测方法，但由于肿瘤细胞与正常组织的高度相似性，以及肿瘤在尺寸、形状和位置上的巨大差异，传统方法面临重大挑战。这促使我们开发本创新解决方案。

Proposed Mobile-SpinalNet for brain tumor detection

该框架包含七个关键阶段：1）MRI图像采集；2）均值滤波去噪预处理；3）模糊C均值（Fuzzy C-Means, FCM）颅骨剥离；4）TransUNet精准分割肿瘤区域；5）数据增强；6）多模态特征提取（包括加速稳健特征SURF、定向FAST和旋转BRIEF描述符ORB、模糊局部二值模式FLBP及统计特征）；7）基于Mobile-SpinalNet的分类检测，其中分数阶微积分显著提升了模型的学习能力。

Results and discussion

实验表明，Mobile-SpinalNet在准确率（0.943）、精确度（0.953）和召回率（0.970）上均超越现有技术，尤其在处理复杂形态肿瘤时展现卓越鲁棒性。

Conclusion

本研究成功构建了端到端的脑肿瘤检测系统，其创新性体现在：1）融合MobileNet与SpinalNet的混合架构；2）分数阶微积分增强的回归建模；3）多阶段特征优化流程。该成果为临床诊断提供了高精度的计算机辅助决策工具。