编辑推荐：
本文提出了一种新颖的混合分割模型，该模型将U-Net与核函数可能性快速鲁棒模糊C均值（KPFRFCM）相集成，并利用粒子群优化（PSO）优化该技术。在所提出的混合方法中，增强了分割清晰度，降低了噪声，并改善了边缘保留。该模型融合了先进的预处理步骤，例如各向异性
本文提出了一种新颖的混合分割模型，该模型将U-Net与核函数可能性快速鲁棒模糊C均值（KPFRFCM）相集成，并利用粒子群优化（PSO）优化该技术。在所提出的混合方法中，增强了分割清晰度，降低了噪声，并改善了边缘保留。该模型融合了先进的预处理步骤，例如各向异性滤波和归一化，随后进行U-Net分割以及使用混合方法进行分割。这些实验使用BraTS2020和BraTS2021数据集进行；该模型表现出色，准确率分别达到了0.9983和0.9952。该模型还进行了一项全面的消融研究，分析了聚类配置、损失函数、核类型、批量大小、丢弃技术、学习率和层修改的影响，确定了提高分割精度的最优设置。研究人员通过K折交叉验证（5折和10折）确保了模型的鲁棒性，验证了模型的泛化能力，平均准确率分别为0.9944和0.9952。使用准确率（Acc）、Dice系数（DC）、损失、平均交并比（MIoU）、精确率（Pre）、灵敏度（Sen）和特异度（Spe）等指标评估性能。结果表明，与最先进的分割算法（包括模糊C均值（FCM）、PSO、PSO_FCM和标准U-Net模型）相比，所提出的模型对噪声更高效、更鲁棒。此外，本研究还探讨了多种优化技术（如Adam、RMSprop和SGD）对提高模型鲁棒性和实现良好性能的影响。这些结果凸显了这些技术在革新脑肿瘤分割、提高诊断准确性以及支持神经肿瘤学临床决策方面的潜力。
**研究背景与问题**
脑肿瘤是当今最致命的疾病之一，其检测过程充满挑战。脑内异常细胞增长（从良性到恶性）的识别非常困难，且手动分割肿瘤区域易导致误分类，可能延误患者治疗。磁共振成像（MRI）因其无创、高分辨率及多参数成像能力，在检测肿瘤等异常方面具有优势。然而，传统机器学习方法（如支持向量机（SVM）、随机森林（RF）等）依赖手工特征提取且计算成本高；深度学习方法（如卷积神经网络（CNN）、U-Net等）虽能处理复杂特征，但需要大量标注数据、额外数据增强策略，且存在高计算时间、成本及低模型性能等问题。现有研究多聚焦于深度学习网络，但标准机器学习算法仍需手工特征才能成功运行。因此，迫切需要一种能结合两者优势、提高分割准确性和鲁棒性的混合方法。这项研究旨在提出一种集成U-Net与核函数可能性快速鲁棒模糊C均值（KPFRFCM）并用粒子群优化（PSO）优化的混合模型，以解决传统与现代方法的局限性，实现脑肿瘤MRI图像中精确可靠的分割，进而提高诊断准确性并支持神经肿瘤学的临床决策。该论文发表在《Array》期刊。
**主要关键技术方法**
研究人员使用了BraTS2020和BraTS2021数据集（包含多模态MRI脑部扫描，如T1、T1c、T2、T2-FLAIR序列，并标注了增强肿瘤（ET）、瘤周水肿（ED）和坏死/非增强肿瘤核心（NCR/NET）区域）。关键技术包括：用于基础分割的U-Net深度学习模型；用于增强分割的KPFRFCM算法（结合核函数（如高斯径向基函数（GRBF））处理非线性可分性、可能性聚类处理噪声和离群点、形态学重建进行图像细化以及局部隶属度滤波提高速度）；用于优化聚类中心初始化的PSO算法；以及包括各向异性滤波和锐化的高级预处理步骤。
**研究结果**
**5.1. 数据收集**
研究使用了BraTS2020（660例，2640次扫描）和BraTS2021（2000例，8000次扫描）数据集，这些数据集来自多个医疗中心，包含多模态MRI扫描及专家标注的肿瘤区域。数据经过颅骨剥离、配准和插值至
1mm
3分辨率的预处理。
**5.1.1. 图像标注**
MRI图像在轴向、冠状面和矢状面三个平面进行分析。预处理模块将原始图像转换为适合分割的格式，包括使用Nibabel库读取NIfTI格式数据，选择中心切片，调整大小为128×128像素，并将像素值归一化至[0, 1]范围。
**5.1.2. 图像处理**
预处理包括各向异性滤波和图像锐化，以去除噪声并增强边缘。输出结果展示了所提出方法相比原始图像和ground truth的改进效果。
**5.2. 评估指标**
研究使用准确率（Acc）、Dice系数（DC）、损失（Loss）、平均交并比（MIoU）、精确率（Pre）、灵敏度（Sen）和特异度（Spe）作为评估指标，并给出了相应的计算公式。
**5.3. 评估结果**
在BraTS2020数据集上，所提出的混合模型优于FCM、PSO、PSO_FCM和标准U-Net，在Case ID 008上达到Acc=0.9980，在Case ID 013上达到Acc=0.9983。混淆矩阵分析显示模型对“非肿瘤”类预测准确率达100%，但对“坏死/核心”和“增强”类存在一定误分类。在BraTS2021数据集上，所提出模型在三个测试病例上均优于标准U-Net，平均Acc=0.9952，DC=0.9947。
**5.4. 消融研究**
**5.4.1. 不同聚类方法结果**
通过调整聚类数量（C=1至C=8），发现聚类数为3（C=3）时达到了最佳的分割性能平衡，能有效捕捉肿瘤结构而不引入过多噪声。
**5.4.2. 损失函数修改**
比较了Hinge、交叉熵（Cross-Entropy）和均方误差（MSE）损失函数。交叉熵损失在多个指标上表现更稳定，Acc=0.9966，Loss=0.0107。
**5.4.3. 核函数修改**
评估了GRBF、线性核和拉普拉斯核。拉普拉斯核在Acc（0.9975）和Loss（0.0075）上表现略优，但GRBF核在DC（0.6595）上更佳。综合性能相似。
**5.4.4. 批量大小修改**
测试了批量大小16、32、64和100。批量大小16和64均达到Acc=0.9958，而批量大小100提供了更稳定的平均性能。
**5.4.5. 归一化技术修改**
比较了无丢弃、有丢弃、批归一化（BatchNormalization）、空间丢弃2D（SpatialDropout2D）和层归一化（LayerNormalization）。采用弃技术（Dropout）的模型有效减少了过拟合，DC=0.6545，整体性能平衡。
**5.4.6. 学习率修改**
测试了学习率0.1、0.01、0.001和0.0001。学习率0.0001达到了最低Loss（0.0043）和最高DC（0.6666），但整体性能波动。学习率0.001提供了稳定的结果。
**5.4.7. K折交叉验证**
5折交叉验证的平均Acc=0.9944，平均Loss=0.0216；10折交叉验证的平均Acc=0.9952，平均Loss=0.0177，证实了模型的强泛化能力和稳定性。
**5.4.8. 交替层修改**
研究了批归一化、Leaky ReLU激活、SpatialDropout2D、SeparableConv2D和挤压激励（SE）模块等层修改。所提出的方法（结合多种技术）在Acc（0.9963）和Loss（0.0111）上表现最优。
**讨论与结论**
**讨论部分总结**：研究使用BraTS2020和BraTS2021数据集评估了多种方法，并测试了Adagrad、RMSprop、Adadelta、Adam、Nadam和SGD等优化器。结果表明，所提出方法能减少分割误差并捕捉精细的肿瘤边界，是MRI数据临床应用的可行选择。然而，该方法存在计算开销大（是深度学习模型的约10倍）、对超参数（如聚类数、PSO设置、学习率）敏感、以及可解释性差等缺点。与现有方法（如BSAU-Net、连续学习框架、DenseUNet+等）的比较分析显示，所提出方法在准确率上具有优势。
**结论部分翻译**：本文利用BraTS2020和BraTS2021数据集的MRI数据，在早期阶段检测和分割肿瘤影响区域。所提出的解决方案将U-Net与混合KPRFRFCM_PSO模型相结合，实现了高效且准确的分割结果。在BraTS2020数据集上，准确率达到0.9983，BraTS2021数据集上达到0.9952。使用该数据集，Dice系数（0.9949）、精确率（0.9984）、灵敏度（0.9978）、特异度（0.9994）和平均交并比（0.8357）均达到了最高分。为了确保鲁棒性，进行了K折交叉验证，5折平均准确率为0.9944，10折平均准确率为0.9952，从而证实了模型的泛化能力；同时，一项全面的消融研究评估了关键组件（包括聚类配置（最优为C=3）、交叉熵损失、GRBF核、批量大小（最优为100）、丢弃技术（首选标准丢弃）、学习率（平均最优为0.001）和层修改）的影响，最终确定了与基线方法（如FCM、PSO、PSO_FCM和标准U-Net）相比能提高分割精度的最优配置；此外，涉及各种优化器（包括Adagrad、RMSprop、Adadelta、Adam、Nadam和SGD）的实验强调了Adam的优越性能，在学习率为0.001时，实现了最小损失0.0058和Dice系数0.9980。然而，一个显著的缺点是处理BraTS2021数据集时，在某些难以检测的区域存在微小变化。未来的工作应侧重于降低时间复杂度，可能通过探索基于Transformer的架构来提高特征提取效率。将模型扩展到其他成像模态（如CT或PET），并利用更新的数据集（如BraTS2022和BraTS2023），可以进一步优化性能。为了增加预处理技术的改进，例如自适应滤波，可以有效解决细微的肿瘤变化，并有望提高诊断准确性。
