《Diagnostics》：Brain Tumor Classification Using Convolutional Neural Network and Bitterling Fish Optimization Algorithm
编辑推荐：
背景与目的：利用磁共振成像（MRI）进行脑肿瘤诊断在临床决策和治疗规划中发挥着重要作用。然而，人工解读MRI扫描图像耗时较长，且可能导致放射科医生之间存在差异。本研究旨在通过整合基于深度学习的特征提取与鳑鲏鱼优化（BFO）算法以进行有效的特征选择，从而开发一个
背景与目的：利用磁共振成像（MRI）进行脑肿瘤诊断在临床决策和治疗规划中发挥着重要作用。然而，人工解读MRI扫描图像耗时较长，且可能导致放射科医生之间存在差异。本研究旨在通过整合基于深度学习的特征提取与鳑鲏鱼优化（BFO）算法以进行有效的特征选择，从而开发一个自动化的多类脑肿瘤分类框架。方法：首先对MRI图像进行预处理，以使其适用于后续的深度学习分析。研究采用了多种预训练的卷积神经网络（CNN）架构，包括VGG16、VGG19、InceptionV3、ResNet50、EfficientNet、MobileNet和ShuffleNet，从MRI图像中提取具有信息量的深度特征。随后，利用BFO算法对提取的特征进行优化，在选择最相关特征的同时减少特征冗余。选定的特征随后被用于多类脑肿瘤分类。通过灵敏度、特异度、精确度、准确率、F1分数（F1-score）以及曲线下面积（AUC）对模型性能进行了评估。结果：实验结果表明，与未进行特征选择的对应模型相比，基于BFO的特征选择提高了所评估CNN架构的分类性能。在所研究的CNN与优化器组合中，BFO-ShuffleNet框架取得了最佳的整体性能，获得了98.98%的灵敏度、98.99%的特异度、98.99%的精确度、99.00%的准确率以及98.99%的F1分数。这些结果表明，BFO能够有效地识别最具鉴别力的特征，并增强ShuffleNet架构的分类能力。结论：所提出的基于深度学习与BFO的框架为从MRI图像中进行自动化多类脑肿瘤分类提供了一种准确且高效的方法。研究结果表明，将预训练的CNN模型与基于BFO的特征选择相结合，可以减少特征冗余并提高诊断性能。尤其是BFO-ShuffleNet展现出了最高的分类性能，并显示出巨大的潜力，可作为计算机辅助诊断工具，为放射科医生在脑肿瘤评估和临床决策中提供有效支持。
脑肿瘤是威胁人类健康的严重疾病，准确的诊断对于后续的治疗至关重要。磁共振成像（MRI）能够提供详细的肿瘤信息，是目前检测脑肿瘤的主要手段。然而，人工解读MRI图像耗时费力，且由于放射科医生的主观差异可能导致诊断误差。近年来，人工智能（AI）尤其是深度学习在医学图像自动分析中展现出巨大潜力。卷积神经网络（CNN）能够学习具有代表性的图像特征并应用于MRI诊断。尽管CNN模型能产生大量相关特征，但这同时也增加了计算成本并可能因特征冗余而降低分类性能。为解决这一问题，研究人员通常将CNN与元启发式优化算法相结合以进行特征选择。然而，新型优化算法在脑肿瘤分类中的应用仍然有限。基于此，研究人员开展了本研究，旨在结合深度学习特征提取与鳑鲏鱼优化（BFO）算法，开发一种自动化的多类脑肿瘤分类框架，以期在减少特征冗余的同时提高诊断性能。该研究成果发表在《Diagnostics》期刊上。
在关键技术方法方面，研究人员主要采用了以下方法：首先使用了来自Kaggle的公开脑MRI数据集进行图像级别的分析。在图像预处理阶段，将所有MRI图像尺寸调整为224×224像素并归一化至[0, 1]范围，随后采用了VGG16、VGG19、InceptionV3、ResNet50、EfficientNet、MobileNet和ShuffleNet等多种预训练的CNN架构提取深层特征；在特征选择阶段，引入了受鱼类繁殖行为启发的BFO算法，将其解转化为二进制特征掩码以筛选最优特征子集，并设定了综合考虑分类误差和所选特征数量的适应度函数；在分类与评估阶段，采用支持向量机（SVM）作为多类分类器，并应用分层五折交叉验证以及Wilcoxon符号秩检验等统计方法全面评估模型性能。
研究结果部分主要包含以下几个方面：
性能指标定义与分类器选择：研究人员首先通过BFO筛选后的VGG16特征比较了多种分类器。结果显示，SVM在0.01秒的分类时间内取得了97.84%的准确率、98.37%的特异度和98.38%的精确度，表现出最佳的综合性能，因此被选定为后续实验的分类模型。
BFO特征选择对基础CNN性能的提升：研究评估了BFO对VGG16、VGG19、InceptionV3和ResNet50四种预训练模型的提升效果。结果表明，BFO特征选择显著增强了所有CNN架构的分类性能。其中，VGG16-BFO取得了最佳结果，灵敏度、特异度、准确率、精确度和F1-score分别达到98.66%、98.90%、98.20%、98.88%和98.18%。与未优化的基线模型相比，各模型的分类准确率均有显著提升。受试者工作特征（ROC）曲线和曲线下面积（AUC）的分析也进一步证实，去除冗余特征有助于CNN模型更好地区分四类脑MRI图像。
与其他优化器组合模型的对比：研究将提出的BFO-ShuffleNet模型与PSO-Xception、WOA-MobileNet、GWO-EfficientNet及GA-Inception四种组合在相同实验条件下进行对比。BFO-ShuffleNet表现最优，达到98.98%的灵敏度、98.99%的特异度、98.99%的精确度、99.00%的准确率和98.99%的F1-score。此外，通过统计检验分析证实，BFO-ShuffleNet与其他方法之间存在显著差异。
BFO-ShuffleNet的详细分类性能评估：通过整体混淆矩阵发现，该模型正确分类了1000张MRI图像中的990张，总体准确率达99.00%。各类别的评估显示，神经胶质瘤达到了100.00%的灵敏度，脑膜瘤未出现假阳性预测。各类别ROC曲线均集中在左上角，AUC值均处于0.997至0.999之间，表现出极佳的类别分离能力。然而，该模型仅在单一公开数据集上进行了内部验证，未使用外部数据集进行泛化性评估。
在讨论与结论部分，研究人员总结了本研究的核心发现。该研究成功利用预训练CNN特征、BFO算法和多类SVM构建了脑MRI分类框架。BFO算法不仅提升了VGG16、VGG19、InceptionV3和ResNet50的分类表现，且BFO-ShuffleNet在与其他主流优化算法的横向对比中脱颖而出。该模型在筛选出452±19个特征的同时，取得了99.00±0.12%的准确率、98.99±0.14%的F1-score以及99.21±0.13%的AUC。研究结论指出，将预训练CNN与BFO特征选择相结合，能够有效减少特征冗余并提升诊断性能。特别是BFO-ShuffleNet具备最高的多类脑肿瘤分类性能，极具潜力成为支持放射科医生进行脑肿瘤评估和临床决策的计算机辅助诊断工具。研究人员也客观指出，当前结论仅限于所使用的数据集和实验设定。未来的研究将在独立的多中心MRI数据集上进行外部验证，采用患者级数据划分并开展跨数据集测试，同时计划引入可解释性AI（XAI）方法以进一步阐明影响分类决策的图像关键区域，从而推动该方法向常规临床应用转化。
