一种高效前列腺肿瘤分割的深度学习框架，该框架采用基于Wombat优化算法的深度学习模型进行训练

《Scientific Reports》：A deep learning framework for efficient prostate tumor segmentation using deep learning model powered by wombat optimization

　　

摘要

医学图像分割在前列腺癌的早期精准检测中发挥着重要作用，而前列腺癌仍然是男性发病率的主要原因之一。该研究提出了一种强大的前列腺癌分割框架，通过结合深度学习和优化方法实现了高精度分割。为提高数据多样性和质量，系统首先收集并整理前列腺MRI数据集。随后，对数据进行了复杂的预处理，包括旋转、重塑、对比度限制自适应直方图均衡化（CLAHE）以及图像翻转等操作。为了便于学习和评估，预处理后的数据被划分为训练集（80%）和测试集（20%）。所采用的新深度学习模型名为SwinDense-GAM-UNet，它结合了Swin Transformer模块在捕捉长距离依赖关系方面的优势，增强了上下文理解能力；同时利用了梯度注意力模块（GAM）实现逼真的分割效果，密集连接结构促进了更深的梯度流动，以及UNet结构进行层次化特征提取。此外，还采用了Wombat优化算法（WOA）来提升训练效率并优化模型超参数。整个系统的实现采用了Python编程语言，用于图像处理、模型训练和评估。模型性能通过召回率、准确率和精确率等常见指标进行评估。实验结果表明，该模型在前列腺癌分割任务上的表现明显优于现有模型，为其在临床诊断中的应用提供了潜在的替代方案。