EPSO-Net：一种多目标进化神经架构搜索方法，结合粒子群优化（PSO）引导的变异融合技术，用于实现可解释的脑肿瘤分割

《Information Fusion》：EPSO-Net: A Multi-Objective Evolutionary Neural Architecture Search with PSO-Guided Mutation Fusion for Explainable Brain Tumor Segmentation

EPSO-Net提出基于多目标进化的NAS框架，集成UTSA、Astra和Revo模块增强空间编码、语义抽象与解码器优化，结合PSO自适应突变机制高效探索架构，在BraTS、MSD等数据集上实现高DSC（93.89%-95.02%）、低HD95（1.02-1.44mm）及良好泛化，同时降低计算成本。

　　

法尔哈娜·亚斯明（Farhana Yasmin）| 薛宇（Yu Xue）| 马哈德·哈桑（Mahade Hasan）| 古拉姆·穆罕默德（Ghulam Muhammad）

中国江苏省南京市，南京信息科技大学计算机科学学院

摘要

从磁共振成像（MRI）中准确分割脑肿瘤仍然是一个重大挑战，这主要是由于早期空间细节的丢失、上下文表示不足以及解码器融合效果不佳。在本文中，我们提出了EPSO-Net，这是一个多目标进化神经架构搜索（NAS）框架，它整合了三个专用模块：UTSA用于保持空间编码并增强低级特征表示；Astra用于捕捉语义抽象和多尺度上下文；Revo通过注意力引导的特征图融合来改进解码器精度。这些模块在一个灵活的模块化3D搜索空间内协同工作，使得在进化过程中能够实现动态架构优化。EPSO-Net利用粒子群优化（PSO）引导的变异融合机制，有效探索搜索空间，并根据性能反馈调整变异行为。据我们所知，这是第一个采用PSO引导的变异融合来调整变异策略的多目标进化NAS框架，从而以资源高效的方式推动搜索朝向最优解。在BraTS 2021、BraTS 2020和MSD脑肿瘤数据集上的实验表明，EPSO-Net的性能优于九种最先进的方法，分别实现了93.89%、95.02%和91.25%的高dice相似系数（DSC），1.14毫米、1.02毫米和1.44毫米的低Hausdorff距离（HD95），以及89.32%、90.12%和85.68%的强Grad-CAM IoU（GIoU）。EPSO-Net还展示了其在CHAOS、PROMISE12和ACDC数据集上的可靠泛化能力。此外，它显著降低了模型复杂性，减少了FLOPS，加快了推理速度，并提高了可解释性。完整代码将公开发布在：https://github.com/Farhana005/EPSO-Net。

引言

脑肿瘤是最严重的神经系统疾病之一，因此在磁共振成像（MRI）中准确分割肿瘤区域对于诊断、治疗计划和放射治疗至关重要[1]、[2]。手动注释耗时、主观性强且容易产生变异性，这促使人们开发基于深度学习的方法[3]、[4]、[5]。卷积神经网络（CNN），特别是U-Net及其变体，已成为医学图像分割的标准，但它们的性能在很大程度上取决于架构选择[6]、[7]、[8]。手动设计往往难以在不同数据集之间泛化，也无法平衡准确性、效率和可解释性[9]、[10]、[11]。神经架构搜索（NAS）通过自动化网络设计并发现特定任务的架构来克服这些限制[12]、[13]、[14]、[15]。

最近的研究探索了改进的分割方法，例如SemiCTrans[16]，它将CNN-Transformer特征与不确定性引导的一致性学习结合起来用于肿瘤边界绘制。FiHam[17]引入了一个细粒度的层次化网络，该网络采用渐进式多模态融合和门控交叉注意力以及小型U-Net编码器来增强肿瘤分割。VSMU-Net[18]引入了一个具有内在归纳偏置的Mamba U形网络和一个稳定模块，该模块整合了多尺度上下文，确保了稳定的分割结果。然而，这些方法通常受到以下限制：（1）早期精细空间细节的丢失，导致边界定位不佳；（2）由于感受野狭窄和缺乏注意力，上下文表示不足；（3）解码器融合策略不佳，无法恢复精确的解剖结构，如图1所示。

为了解决这些挑战，我们提出了EPSO-Net，这是一个用于可解释的3D脑肿瘤分割的统一框架。EPSO-Net结合了一个模块化的3D搜索空间和一种基于性能的进化策略，其中包含三个专用模块：UTSA、Astra和Revo，这些模块分别增强了表示学习、上下文聚焦和边界重建。此外，它还采用了由粒子群优化（PSO）驱动的变异融合机制，该机制根据性能反馈动态调整变异行为，从而高效地发现紧凑、高性能且可解释的医学成像架构。据我们所知，这是第一个在神经架构搜索背景下引入的PSO引导的自适应变异融合机制。本文的主要贡献如下：

•

我们提出了一个模块化的3D搜索空间，支持关键架构参数的变化，包括层深度、核大小、膨胀率、滤波器数量、归一化和特征聚合。它整合了三个专用模块：UTSA用于空间编码，Astra用于语义抽象，Revo用于解码器优化，从而增强表示多样性和分割精度。

•

我们提出了一个架构搜索框架，系统地将所提出的模块集成到编码器、瓶颈和解码器阶段，实现了针对体积脑肿瘤分割的任务适应性架构的自动化发现。

•

我们提出了一种PSO引导的自适应变异融合机制，该机制根据进化过程中的性能反馈调整变异率，从而促进动态搜索行为并提高进化速度。

•

我们提出了一种多目标优化方法，考虑了分割精度dice相似系数（DSC）、架构复杂性（可训练参数数量）、边界精度Hausdorff距离95（HD95）、计算成本（GFLOPs）和模型可解释性Grad-CAM IoU（GIoU），从而确保生成的架构准确、轻量且具有临床可解释性。

本文的其余部分组织如下。第2节回顾了现有的脑肿瘤分割方法，包括医学成像中的NAS和用于医学分割的可解释深度学习方法。第3节介绍了提出的EPSO-Net框架，描述了UTSA、Astra和Revo模块的设计以及进化神经架构搜索过程。第4节展示了实验设置和结果，包括与最先进方法的比较、泛化能力评估、消融研究和失败案例分析。最后，第5节总结了关键发现和未来研究的潜在方向。

部分摘录

背景和相关工作

本节回顾了与我们工作最相关的前期研究，首先讨论了脑肿瘤分割方法，然后讨论了医学成像中的NAS方法，以阐明EPSO-Net的背景和动机。

提出的方法

我们提出了EPSO-Net，这是一个多目标进化NAS框架，采用PSO引导的变异融合用于可解释的3D脑肿瘤分割。如图2所示，EPSO-Net结合了一个模块化的3D超级网络和一种基于性能的搜索策略，自动发现准确、高效且可解释的分割架构。在结构上，该模型遵循一个受3D U-Net启发的布局，包括五个阶段：输入、编码器、瓶颈、解码器和输出。

实验设置和结果分析

本节详细介绍了实验设置和结果：第4.1节描述了数据集和指标；第4.2节描述了实验环境；第4.3节描述了实现细节；第4.4节描述了与最先进方法的比较；第4.5节描述了消融研究；第4.6节描述了失败案例。

结论和未来工作

在本文中，我们提出了EPSO-Net，这是一个用于脑肿瘤分割的多目标进化NAS框架，它整合了三个专用模块：UTSA、Astra和Revo，以改进空间编码、语义抽象和解码器优化。EPSO-Net使用PSO引导的变异融合机制高效探索搜索空间，并动态调整变异策略，加速收敛并提高模型性能。广泛的结果分析验证了

CRediT作者贡献声明

法尔哈娜·亚斯明（Farhana Yasmin）：撰写——原始草案、方法论、形式分析、概念化。薛宇（Yu Xue）：撰写——审阅与编辑、监督、资金获取。马哈德·哈桑（Mahade Hasan）：验证、方法论、形式分析、数据管理。古拉姆·穆罕默德（Ghulam Muhammad）：撰写——审阅与编辑、验证、监督。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：

薛宇报告获得了中国国家自然科学基金会的财务支持。薛宇报告获得了江苏省自然科学基金会的财务支持。薛宇报告获得了江苏省高等教育机构自然科学基金会的财务支持。