结合不确定性引导分割的自正则化集成胶囊网络用于多模态脑肿瘤分类

《Scientific Reports》：Self regularized ensemble capsule network with uncertainty guided segmentation for multimodal brain tumor classification

　　

摘要

由于肿瘤外观异质性、对比度低以及影像模态中边界定位模糊，脑肿瘤检测仍是医学图像分析中的主要挑战。本研究提出了一种基于CT、MRI和Figshare数据的脑肿瘤检测、分割与分类的集成化系统。该方法整合了智能预处理中的自适应神经模糊对比度归一化（ANFCH），在增强对比度并使其定义清晰的同时，不损失关键结构信息。为实现更优的肿瘤轮廓划分，本文提出了不确定性感知的双注意力肿瘤分割网络（UADAT-Net），该网络将通道注意力、空间注意力与贝叶斯不确定性建模相结合，以提升鲁棒性和边界精度。随后，采用混合空间-频谱肿瘤表示学习（HSSTRL）获取分割后最能表征肿瘤形态与纹理的空间域和频率域的判别性特征。分类阶段使用自正则化集成胶囊网络（SREC-Net），通过维持空间之间的层次关系并利用基于集成的正则化增强类别判别能力。此外，采用基于群体捕食者和皱鳃鲨的超参数调优（GME-HT）来选择模型参数，以使收敛更稳定并提升泛化性能。在CT、MRI和Figshare数据集上进行的大规模实验证明了该框架的有效性。与现有方法（如EfficientNetV2和视觉Transformer（ViT）、多尺度可变形注意力模块（MS-DAM）、梯度向量流（GVF）、灰度共生矩阵（GLCM））相比，本模型在CT上准确率达98.80%，MRI上达98.90%，Figshare数据上达99.20%，且在精确率、召回率、特异性和AUC值方面均表现优异。对比研究和消融实验进一步证实了该模型在性能、计算复杂度和分割精度方面的优势，达到了当前最佳水平。研究结果表明，所提框架在脑肿瘤分析中具有可靠且有效的临床应用价值。