《Scientific Reports》：Optimizing lung cancer diagnosis using improved fungal growth optimizer-based medical image segmentation
编辑推荐：
医学图像分割（Medical Image Segmentation）是计算机辅助诊断（Computer-Aided Diagnosis, CAD）中至关重要的环节之一，其作用是从医学扫描图像中分离出感兴趣区域（Region of Interest, ROI），
医学图像分割（Medical Image Segmentation）是计算机辅助诊断（Computer-Aided Diagnosis, CAD）中至关重要的环节之一，其作用是从医学扫描图像中分离出感兴趣区域（Region of Interest, ROI），从而对疾病的检测与分析发挥关键作用。在众多技术中，多级阈值分割（Multilevel Thresholding）能够对复杂图像进行分割，即利用多个灰度强度阈值将重要结构区分开来。多级阈值分割的效果在很大程度上取决于优化算法（Optimization Algorithm）识别合适阈值水平的能力。本研究提出了一种融合正交学习策略（Orthogonal Learning Strategy, OLS）的高效真菌生长优化器（Fungal Growth Optimizer, FGO），并将其命名为正交学习真菌生长优化器（Orthogonal Learning-based Fungal Growth Optimizer, OLFGO）。研究人员着重提升解的多样性并加速基于多级阈值分割的医学图像分割中的收敛速度。该算法在一组来自公开肺癌数据库的20张胸部CT图像上进行了测试；研究人员采用2、4、6、8、10和12等多个阈值，以评估不同分割层次下的性能。为评估分割效果，研究人员采用了峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、结构相似性指数度量（Structural Similarity Index Measure, SSIM）、特征相似性指数度量（Feature Similarity Index Measure, FSIM）、通用质量指数（Universal Quality Index, UQI）以及Dice系数（Dice Coefficient, DICE）等多项评价指标，并将结果与深度学习算法的输出进行了比较。研究人员在进化计算大会2022（Congress on Evolutionary Computation 2022, CEC 2022）基准函数上验证了OLS对FGO的改进效果，结果表明该改进显著提升了算法性能。实验证实，正交学习能够增强FGO的搜索能力，从而实现高效可靠的医学图像分割。研究人员进一步采用Friedman秩和检验（Friedman Rank Sum Test）对OLFGO与现有技术的性能进行排序，OLFGO排名第一，再次确认其在图像分割方面的优越性。OLFGO的MATLAB实现已公开于：https://github.com/shimaa21magdy-sketch/Orthogonal-Learning-Fungal-Growth-Optimizer-for-Lung-CT-Segmentation。
研究背景与动机
肺癌是全球发病率和死亡率最高的恶性肿瘤之一，每年导致约180万例死亡，早期发现对提高治愈率至关重要。胸部计算机断层扫描（Chest Computed Tomography, CT）因成本低、无创且可及性高，已成为肺癌筛查的主要影像手段。然而，人工阅片不仅耗时，而且容易受主观因素影响，早期病灶边界模糊、灰度不均匀，常被漏诊。因此，计算机辅助诊断（Computer-Aided Diagnosis, CAD）系统受到广泛关注，而其中的医学图像分割（Medical Image Segmentation）通过将肿瘤或异常组织与正常组织分离，为病灶检测、体积随访和治疗规划提供基础。多级阈值分割（Multilevel Thresholding）因实现简单且能处理多强度区域，在医学图像处理中被广泛应用；但当阈值数量增加时，搜索空间呈指数膨胀，传统Otsu最大类间方差法面临高昂的计算代价。尽管元启发式优化算法能够自动寻优，但它们常存在早熟收敛、种群多样性不足以及陷入局部最优等问题。针对上述挑战，研究人员提出将正交学习策略（Orthogonal Learning Strategy, OLS）融入真菌生长优化器（Fungal Growth Optimizer, FGO），构建正交学习真菌生长优化器（Orthogonal Learning-based Fungal Growth Optimizer, OLFGO），以提升肺癌CT图像多级阈值分割的精度与收敛速度。该研究发表于《Scientific Reports》。
研究方法与主要技术路线
研究人员从公开肺癌CT数据集中选取20张胸部CT图像，覆盖良性（Benign）、恶性（Malignant）与正常（Normal）三类病例，图像主要来自伊拉克两家医疗中心，并以公开LungSegDB数据集的肺分割掩膜作为金标准。在优化层面，OLFGO以Otsu最大类间方差为目标函数，对2、4、6、8、10、12共六个阈值水平寻优；每个算例独立运行30次，与FGO、FATA、SOA、ZOA、COVID、AOA、RSA、GTO等八种元启发式算法及CNN和Attention U-Net两种深度学习模型进行对比；同时参照CEC 2022中12个基准函数（F1–F12，维度D=10）评估通用优化能力，并采用Friedman秩和检验进行统计排序。
关键技术创新
研究人员采用改进的真菌生长优化器OLFGO，先以Otsu最大类间方差为适应度函数对多级阈值寻优，再在FGO的菌丝尖端生长、侧向分枝与孢子萌发更新后引入OLS，通过正交阵列与因素分析产生结构化后代解，从而增强种群多样性并加速收敛。实验数据为公开肺癌CT数据集中的20张胸部CT图像及LungSegDB肺掩膜。
研究结果
医学图像分割结果
在20张肺癌CT图像上，OLFGO在所有阈值水平下的峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）、结构相似性指数度量（Structural Similarity Index Measure, SSIM）、特征相似性指数度量（Feature Similarity Index Measure, FSIM）、通用质量指数（Universal Quality Index, UQI）和Dice系数（Dice Coefficient, DICE）均优于八种对比算法。例如，随着阈值从2增加到12，OLFGO在多数图像上的PSNR持续提升；多幅图像的DICE值超过0.9，说明分割结果与金标准高度一致。Friedman秩和检验显示OLFGO排名第一，SOA次之，AOA表现最差。
与深度学习模型对比结果
在相同数据上，CNN与Attention U-Net因训练样本有限而面临过拟合或泛化不足的问题，其分割结果与金标准存在偏差；而OLFGO无需训练阶段即可直接优化阈值，所得DICE系数常高于深度学习模型，尤其在数据量受限时表现出更高的准确性与稳定性。
CEC 2022基准性能结果
12个CEC 2022函数（D=10，30次独立运行）的测试结果表明，OLFGO在9个函数上取得了最低平均误差，且标准差普遍很小，F1–F6多次达到已知最优值，FGO紧随其后；RSA、FATA和COVID在复杂混合函数上收敛不稳定。
计算成本与执行时间结果
OLFGO的时间复杂度约为O(N×T×D)，其中N为种群规模、T为迭代次数、D为阈值维度。由于正交学习带来少量额外评估，OLFGO比FGO略慢，但仍显著快于SOA、AOA、RSA、GTO、ZOA和COVID，实现了分割精度与计算效率的较好折中。
讨论与结论
基线FGO与OLFGO的对比表明，融入OLS后，OLFGO的平均PSNR较FGO提升约15.2%，在各阈值水平均保持稳定，而FGO在高阈值下性能下降，说明OLS有效缓解了早熟收敛与局部最优停滞。与元启发式算法相比，OLFGO在全部评价指标上均排名第一；与CNN、Attention U-Net等深度学习模型相比，OLFGO不依赖大量标注样本，分割结果更接近金标准。研究还指出，OLFGO可作为CAD工具集成到医院影像归档和通信系统（Picture Archiving and Communication System, PACS）工作流中，对CT图像进行预处理后自动生成病灶分割结果。当前局限在于所用公开数据集规模有限、仅使用灰度信息，且未在不同设备与扫描参数下充分验证；未来应扩展到彩色医学图像、更大公共数据集和不同扫描参数场景。
研究结论指出，本研究提出了一种融合正交学习策略的真菌生长优化器OLFGO，并将其用于肺癌CT图像的多级阈值分割。CEC 2022基准测试与20张肺癌CT图像的实验共同表明，OLFGO在收敛速度、解的多样性及分割精度方面均优于所对比的元启发式与深度学习方法，Friedman秩和检验进一步验证了其优越性。未来研究将引入动态学习率、反向学习和Lévy飞行扰动等机制，发展二进制与多目标版本，并探索OLFGO与深度学习模型的协同增强。
