基于Shepard量子扩张前向谐波网络(ShQDFHNet)的MRI脑肿瘤智能检测研究

为解决脑肿瘤诊断难题，研究人员开发了Shepard量子扩张前向谐波网络(ShQDFHNet)。该研究通过高提升滤波增强MRI图像，采用Log-Cosh PPANet进行精确分割，结合SGLDM和GLCM纹理特征提取，最终模型在K-fold=9验证中取得90.69%准确率、91.14%TPR和90.61%TNR，为脑肿瘤智能诊断提供新范式。

　　

在当今重大健康威胁脑肿瘤的诊断领域，Shepard量子扩张前向谐波网络(ShQDFHNet)展现出突破性潜力。该技术首先采用高提升滤波增强MRI图像对比度，随后通过双曲对数余弦(Log-Cosh)点向金字塔注意力网络(PPANet)实现亚毫米级肿瘤分割，其核心是创新的Log-Cosh Dice损失函数。特征提取阶段融合空间灰度依赖矩阵(SGLDM)和灰度共生矩阵(GLCM)等多维纹理分析，最终由Shepard卷积神经网络(ShCNN)与量子扩张卷积神经网络(QDCNN)组成的混合架构完成检测，其中量子扩张层通过前向谐波分析网络优化特征学习。在脑肿瘤MRI数据集上的测试表明，该模型在9折交叉验证中实现90.69%的整体准确度，真阳性率(TPR)达91.14%，真阴性率(TNR)为90.61%，显著提升了对复杂肿瘤边界的识别能力。这项研究为医学影像分析提供了融合量子计算与谐波分析的新型人工智能框架。