利用MRI图像,通过结合Spinal-EfficientNet模型进行脑肿瘤分类
《Journal of Neuroimmunology》:Brain tumor classification using hybrid spinal-EfficientNet using MRI images
【字体:
大
中
小
】
时间:2026年04月28日
来源:Journal of Neuroimmunology 2.5
编辑推荐:
Ponlatha Sambandham | Someswari Perla | Ramachandro Majji | Parul Datta
印度泰米尔纳德邦马亨德拉工程学院电子与通信工程系
**摘要**
传统的脑肿瘤分类方法经常面临效率低下、类别不平衡和计算时间
Ponlatha Sambandham | Someswari Perla | Ramachandro Majji | Parul Datta
印度泰米尔纳德邦马亨德拉工程学院电子与通信工程系
**摘要**
传统的脑肿瘤分类方法经常面临效率低下、类别不平衡和计算时间过长等问题,这些问题会阻碍及时的临床决策。为了解决这些挑战,提出了一种名为Spinal-EfficientNet的新混合框架,旨在提高分类准确性和处理速度。该框架首先使用从精心策划的数据集中获得的磁共振成像(MRI)脑扫描图像,然后通过小波域滤波技术进行预处理,以减少噪声和伪影并提高图像质量。接下来使用SegNet进行肿瘤分割,并采用随机擦除、旋转和剪切等图像增强技术来增强模型的泛化能力。随后提取关键特征,包括纹理描述符(如角二阶矩ASM)、对比度、总熵、最大相关系数、定向梯度金字塔直方图(PHOG)和完整局部二值模式(CLBP)以及统计指标(如均值、方差、峰度、偏度)。最后,利用Spinal-EfficientNet进行肿瘤分类,这种混合架构通过定制层修改结合了EfficientNet和SpinalNet,从而实现对脑肿瘤更可靠和准确的识别。实验评估表明,在BRATS 2018数据集上,该模型的特异性为92.5%,敏感性为92.9%,准确率为92.5%,F1分数为91.6%。与现有方法相比,Spinal-EfficientNet在准确性方面取得了显著提升:在k折交叉验证中,其性能优于卷积神经网络(CNN-SVM)6.05%、视觉几何组堆叠分类器网络(VGG-SCNet)4.76%、超轻量级脑肿瘤检测(UL-BTD)3.46%、自适应模糊深度神经网络(AFDNN)2.92%、带增强分水岭分割的ResNet50(ResNet50-EWS)2.59%以及SpinalNet 1.41%。这些跨多种架构的一致性提升表明了其在处理复杂分类问题方面的可靠性和有效性。
**引言**
为了诊断脑部异常,放射治疗师可以利用磁共振成像(MRI),这是一种非侵入性技术,能够提供有关医学图像数据的有用信息(Khan等人,2022年)。MRI在脑成像中尤为重要,因为它能够以最高对比度和空间精度实现精细的可视化(Khairandish等人,2022年)。与基于计算机断层扫描(CT)的成像方法相比,放射科医生更倾向于使用MRI,因为MRI能够检测到CT难以发现的细微结构变化(Qureshi等人,2022年)。MRI扫描是诊断和指导脑肿瘤治疗的常用成像方式,尤其是在疾病晚期。通过利用磁场、电场和计算机脉冲,MRI可以观察器官、骨骼和其他身体部位。MRI能够清晰地显示脑部图像,尽管后脑区域在扫描时显得较为复杂(Rammurthy和Mahesh,2022年)。每种疾病中都存在大量表现出独立突变的脑区,这些突变有助于识别特定于疾病的形态学异常(Wan等人,2024年)。脑肿瘤是脑内细胞的异常增生(Lan等人,2024年)。肿瘤可能是良性的,也可能是恶性的,其发展会增加颅内压(Majib等人,2021年)。为了提高肿瘤图像的检测和分类能力,广泛采用了先进的数字图像处理技术,其中MRI作为检查脑肿瘤的增强成像方式(Rammurthy和Mahesh,2022年)。
在临床实践中,脑肿瘤的准确分割和基于MRI的分类是制定有效治疗策略的基础步骤。这一过程为治疗计划提供了与解剖结构相关的信息。借助肿瘤分割技术,可以构建脑部和脑图谱模型。由于肿瘤的位置、形状和强度会发生变化,因此在医学图像中准确描述和分割异常区域颇具挑战性。分割过程对于识别复杂医学图像中的有害区域至关重要(Gopal和Karnan,2010年)。最近,人们开始探索利用医学图像进行肿瘤分割以辅助脑肿瘤的诊断。自动化分割对于准确检测疾病至关重要,尽管其效率已被证实,但在临床实践中仍未得到广泛应用(Ji等人,2021年)。该任务的主要目标是利用完全自动化的流程和对称性评估,通过调整数字图像处理方法从脑部MRI中计算肿瘤区域(Song和Yang,2023年;Roy和Bandyopadhyay,2012年)。此外,观察者识别肿瘤细胞的位置、形状和长度的能力也是一个重要考虑因素(Louis等人,2016年)。MRI图像可以为人类提供清晰的肿瘤检测视野(Rammurthy和Mahesh,2022年)。
近年来,深度学习(DL)的应用显著推动了脑肿瘤研究(Qian等人,2025年;Liang等人,2025年),提高了计算机辅助医学分析的效率。深度学习对医疗行业至关重要,是诊断多种重大疾病(包括脑部疾病)的有效工具(Hu等人,2018年;Shah等人,2022年)。在脑肿瘤分类中,结合多实例学习(Jiang等人,2024年)、迁移学习(Shi和Liu,2023年)和微调的深度学习技术最为流行和广泛应用(Shah等人,2022年)。长短期记忆(LSTM)被用于肿瘤分类,数据集增强技术也被用于分割过程(Kumar等人,2019年;Deb和Roy,2021年)。一个LSTM框架用于数据集训练,而支持向量机(SVM)则负责分类。利用MRI脑图像,数据集被划分为正常和异常两类(Varuna Shree和Kumar,2018年;Deb和Roy,2021年)。通过灰度共生矩阵(GLCM)提取纹理特征后,使用概率神经网络(PNN)进行分类。PNN是一种基于贝叶斯算法的前馈模型(Deb和Roy,2021年)。主要的深度学习框架(Zhan等人,2025年;Yang等人,2025年)采用了卷积神经网络(CNN)(Xu等人,2023年;Zhang等人,2025年)及其变体来评估不同类型的医学图像(Hamidinekoo等人,2018年)。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号