基于计算机视觉的CT图像多脑肿瘤高效分割与分类研究

本研究针对CT影像中多类型脑肿瘤分类难题，开发了基于自动二值化阈值模糊C均值分割(ABTFCS)的计算机视觉框架。研究人员通过提取135个统计多特征并优化至12个关键特征，采用多层感知器(MLP)实现了97.83%的分类准确率，为临床CT诊断提供了高效辅助工具。

　　

脑肿瘤作为癌症相关死亡的主要原因之一，每年导致全球数百万人死亡。尽管磁共振成像(MRI)是临床诊断的金标准，但在资源有限地区，计算机断层扫描(CT)仍是重要替代方案。然而，CT图像分辨率较低、噪声干扰严重，现有研究多集中于MRI或单一肿瘤类型分类，缺乏针对多类型脑肿瘤的CT影像分析系统。这种技术缺口使得Aqib Ali团队在《Scientific Reports》发表的研究具有重要临床价值。

研究团队创新性地整合了自动化预处理、ABTFCS分割和统计多特征优化三大技术模块。采用来自Radiopaedia的900张512×512像素CT图像（含6类肿瘤各150例），通过中值滤波和高斯滤波降噪后，运用不规则多边形种子点划分四个感兴趣区域(ROI)。特征提取阶段融合灰度共生矩阵(GLCM)、直方图和频谱特征，最终通过相关性分析筛选出12个最优特征。分类阶段对比了五种机器学习算法，其中经超参数调优的多层感知器(MLP)表现最优。

【图像预处理与分割】

研究首先将CT图像转换为8位灰度图，利用高斯滤波器消除噪声（公式3：?(p,q)=[1/2ω²π]e^{-(p2+q2)/2ω2}）。创新的ABTFCS方法通过自动阈值分割引导模糊C均值聚类（公式4：ξ_p=∑∑η_ab^p∥y_a-ζ_b∥²），有效克服了CT图像低对比度的缺陷。

【特征工程】

从每个ROI提取的135个特征中（含GLCM能量公式13：∑∑(ζ_i,j)²），采用对称不确定性(SUN)指标（公式23）筛选出12个关键特征，包括惯性平均值、波纹熵等，使特征空间从486,000维压缩至43,200维。

【分类性能】

MLP在六类肿瘤分类中展现出梯度性能：软骨肉瘤(94.66%)、脊索瘤(98.33%)、胶质瘤(99.16%)、脑膜瘤(98.00%)、神经纤维瘤病(98.83%)和神经鞘瘤(98.00%)。对比实验显示，优化特征使MLP建模时间从34.9秒降至0.8秒，准确率提升至97.83%。

这项研究首次建立了CT影像多脑肿瘤分类的系统方法，其创新性体现在三个方面：开发ABTFCS解决CT图像分割难题；创建统计多特征融合策略；验证MLP在医学影像分析的优越性。研究团队进一步在巴基斯坦Bahawal Victor医院数据集上验证，取得96.33%的准确率，证实方法的泛化能力。该成果为资源受限地区提供了可靠的脑肿瘤筛查方案，未来可通过纳入更多肿瘤类型和深度学习模型进一步提升性能。