《Measurement》：An attention-guided deep learning framework for brain tumor diagnosis with quaternion feature representation and physics-inspired optimization
编辑推荐：
•AGDGIF能够提升MRI图像质量，增强肿瘤的可见度并提高诊断准确性。•R2U++可通过密集的跳跃连接有效分割脑肿瘤。•DQ2PFT能从MRI肿瘤区域提取出有效的特征。•SLSQCNN-PRS在BRATS 2018数据集上的准确率可达到99.9%。•较低的错误率（0.1%）以及
- •
AGDGIF能够提升MRI图像质量，增强肿瘤的可见度并提高诊断准确性。
- •
R2U++可通过密集的跳跃连接有效分割脑肿瘤。
- •
DQ2PFT能从MRI肿瘤区域提取出有效的特征。
- •
SLSQCNN-PRS在BRATS 2018数据集上的准确率可达到99.9%。
- •
较低的错误率（0.1%）以及1.1秒的运算时间，使得该模型能够高效完成诊断工作。
引言
脑肿瘤是由于脑组织中异常细胞不受控制地增殖而产生的最为复杂且危险的神经系统疾病之一[1]。这类肿瘤可能是良性的，也可能是恶性的，但由于颅腔空间有限，无论哪种类型都可能干扰大脑的正常功能[2]。尤其是恶性肿瘤，更容易侵袭周围组织，因此尽早发现恶性肿瘤对于改善患者预后至关重要[3]。即便良性肿瘤，若不加以治疗也有可能发展成恶性肿瘤或导致严重的神经功能障碍[4]。胶质瘤、脑膜瘤和垂体瘤是三种常见的脑肿瘤类型，它们在生物学和结构上存在显著差异，这使得诊断和分类变得十分困难[5]、[6]。世界卫生组织认为，由于全球癌症发病率的上升，脑肿瘤已成为一个日益严重的健康问题[7]、[8]。以印度为例，每年就有超过28,000例新发病例，这给诊断工作带来了巨大挑战。其中一个主要难题是MRI图像中正常组织与肿瘤组织的相似性，以及不同肿瘤亚型之间的特征重叠[9]。这些因素对于早期发现肿瘤、降低颅内压力以及优化治疗方案具有重要意义[10]。磁共振成像因其出色的软组织对比度以及无创性，成为诊断脑肿瘤的首选方法[11]、[12]。不过，目前的常规诊断流程仍依赖于放射科医生的手工评估，这种方式效率低下，且容易出现不同医生之间的诊断误差。
机器学习和深度学习的发展为自动提取特征以及高精度决策提供了可能，成为传统诊断方法的可行替代方案[13]。基于深度学习的方法，如基于CNN的肿瘤分割与分类模型，在肿瘤检测任务中展现出了良好的性能[14]。这类方法的优点包括具备良好的可扩展性、对图像变化具有较强适应性，以及更强的能力去捕捉复杂的空间模式。它们通常被用作脑肿瘤处理流程中的预处理、分割和分类环节[15]。尽管已经取得了很大进展，但现有模型在泛化能力、特征表示效果以及优化方面仍存在不足，因此亟需更为先进且集成化的诊断框架。
目前常用的脑肿瘤分割和分类模型大多基于BRATS 2018数据集和Figshare平台进行评估，因为这些数据集涵盖了多种类型的肿瘤、不同的成像条件，且标注质量较高。虽然已有大量研究针对U-Net变体、迁移学习模型以及混合CNN模型展开，但这些现有方案的肿瘤分割精度往往不够理想，空间频率特征的提取效果较差，也无法有效优化高维特征空间。这些缺陷表明，需要一种更为统一的架构，以便提升图像质量、提供更详细的肿瘤特征描述，并稳定模型学习过程。
尽管基于深度学习的脑肿瘤诊断技术已取得显著进步，但目前的研究仍面临诸多局限，包括计算复杂度高、空间频率信息表示不足、在不同数据集间的泛化能力较差，以及易出现过拟合现象。许多研究要么单独关注分割任务，要么单独关注分类任务，未能在统一框架下充分利用肿瘤的各种特征。此外，传统的基于CNN的模型往往难以捕捉MRI图像中复杂的相位关系以及细微的类别间差异。因此，当前亟需一种集成化且计算效率高的框架，既能提升图像质量，又能增强特征区分度、提高分类性能，同时保持良好的泛化能力。正是基于这些挑战，本研究的主要目标是开发一种基于SLSQCNN-PRS的端到端脑肿瘤诊断框架，该框架结合了先进的预处理技术、精确的分割算法、具有辨识度的特征提取方法、受量子理论启发的分类策略以及基于物理原理的优化机制，从而实现从MRI图像中高效、准确地诊断肿瘤。
与现有的主要采用顺序方式组合各类模块的混合CNN框架不同，所提出的SLSQCNN-PRS框架将四元数相位特征编码与立体结构、受量子理论启发的卷积操作相结合，并通过基于物理原理的优化策略来实现这两种技术的融合。其核心创新之处在于将经过DQ2PFT处理的相位-空间特征直接整合到潜空间注意力量子卷积结构中，同时通过棱镜折射搜索机制稳定模型学习过程，从而提升了类别区分度与收敛速度，其性能优于传统的注意力机制、迁移学习模型以及元启发式优化模型。该框架的贡献如下：
- •
提出了DQ2PFT与SLSQCNN的融合方案，将空间频率相位信息嵌入到受量子理论启发的卷积层中。
- •
在立体量子卷积框架中引入了潜空间注意力机制，以进一步提升特征区分能力。
- •
采用了基于物理原理的棱镜折射搜索优化器，用于稳定模型收敛过程，避免在医学影像处理中出现局部最小值问题。
- •
在Figshare和BRATS 2018数据集上取得了近乎完美的分类结果，且结果具有很强的统计可靠性。
- •
通过强大的泛化能力验证，证明框架中的每个模块都具有重要的功能作用，这一点可通过删除相应模块或进行交叉验证来证实。
章节摘要
文献综述
本节列举了一些与脑肿瘤诊断相关的研究：
Saifullah等人[16]提出了ResUNet50，这是一种用于U-Net框架的编码器，属于基于计算机的脑肿瘤分割技术。该模型在BRATS 2018数据集上进行了测试与训练，该数据集包含了多种类型的良性及恶性脑肿瘤病例。此后还有不少研究探讨了可解释人工智能技术，如Grad-CAM和显著性映射技术、受生物机制启发的优化方法以及集成学习技术等，
所提出的方法
首先使用AGDGIF对BRATS 2018和Figshare数据集进行预处理，以提高图像质量。随后利用R2U++进行肿瘤分割，再通过DQ2PFT提取特征。在应用SLSQCNN进行分类之前，会先使用PRS优化技术对选定的部分特征进行微调。最后通过相关指标对系统的性能进行评估。图1展示了该技术的整体架构。
如图1所示，整个脑肿瘤诊断框架的流程为
结果与讨论
本节将介绍所提出的SLSQCNN-PRS策略的实验结果。表2中的参数设置了深度学习模型的训练与评估条件。在处理BRATS 2018和Figshare数据集时，采用了交叉熵损失函数、32样本批量大小、400个训练周期，以及0.001的学习率，以此完成基于MRI图像的分类与分割任务。具体实现方式如下
结论
所提出的SLSQCNN-PRS模型通过整合最先进的分割、优化、分类、特征提取以及预处理技术，实现了非常精准的脑肿瘤分类效果。该模型不仅具有较高的准确率和F1分数，错误率极低，假阳性情况少，精确度也有所提升，完全具备应用于临床的实际价值。该模型还具备其他诸多优势，比如高效的肿瘤分类能力、出色的
CRediT作者贡献说明
Keerthi Varadhi：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、软件开发、资源协调、项目管理、方法设计、研究实施、资金筹措、正式分析、数据整理、概念构思。Subhranginee Das：撰写——审阅与编辑、撰写——初稿、可视化、验证、监督、软件开发、资源协调、项目管理、方法设计、研究实施、资金筹措、正式分析、数据整理，
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
Keerthi Varadhi|Subhranginee Das
