摘要
磁共振成像(MRI)仍然是诊断和监测各种疾病最重要的检查方法之一。近年来,机器学习方法被广泛应用于自动化MRI分析,通过预测疾病和突出相关区域来辅助决策。然而,正确使用特征提取方法可以提高模型的性能。本文提出了一种WaveletFusion架构,该架构结合了二维Haar小波分解和卷积神经网络(CNN)进行分类。该方法在脑肿瘤MRI数据集上进行了验证,并进一步在Br35H :: Brain Tumor Detection 2020(Br35H)竞赛中进行了测试。该模型将每个MRI切片分解为近似层和方向细节层,并在卷积流程中融合多尺度小波特征。为了评估分解深度的效果,在相同的训练协议下,将1到8级不同的WaveletFusion变体与基线CNN模型进行了比较。结果表明,随着分解深度的增加(最高达到7级),性能逐步提升;而8级配置则持续下降,表明过度分解会导致信息丢失和最深层近似路径中的过度压缩。在五次独立测试中,表现最佳的配置是7级WaveletFusion模型,其测试准确率为0.94 ± 0.01,测试宏F1值为0.93 ± 0.02。在Br35H数据集上也观察到了类似的趋势:7级模型的测试准确率为0.97 ± 0.01,测试宏F1值为0.97 ± 0.01,而8级配置在这两个数据集上的表现均较弱。这些结果表明,多尺度小波融合可以在保持模型紧凑性的同时提高脑肿瘤MRI分类的准确性,并且分解深度的选择必须谨慎进行。


