正弦调制双种群优化器（SMBO）用于脑癌MRI图像聚类

《Frontiers in Neuroscience》：SMBO: a Sinusoidal Modulation Bi-population Optimizer for brain cancer MRI image clustering

　　

本研究提出正弦调制双种群优化器（SMBO），该算法将步长的正弦调制与动态行为切换（DBS）相结合，步长调制由迭代进度和个体适应度质量共同驱动，从而实现探索与开发之间自适应、无阈值的平衡。非对称信息流（AIF）机制进一步加强了该平衡，该机制在精英子种群与探索子种群之间维持多样性。在CEC2017基准测试套件的仿真实验中，SMBO在维度D = 10（平均秩1.38）和D = 100（平均秩1.10）下均取得六种对比算法中的最低平均秩，在CEC2022的D = 10（平均秩1.33）下同样表现最佳。Friedman检验和Wilcoxon秩和检验证实这些差异具有统计学显著性。在基于三种深度特征提取骨干网络（ResNet50、VGG16、DenseNet121）结合PCA的脑肿瘤MRI四类聚类应用中，SMBO在所有对比算法中持续取得最佳聚类纯度、归一化互信息和调整兰德指数，其中采用DenseNet121骨干网络时达到纯度0.8636、NMI 0.6733和ARI 0.6881。上述结果表明SMBO在数值基准测试和医学图像分析流程中均是一种具有竞争力的优化器。

论文解读

一、研究背景与问题

癌症是全球最具破坏性的疾病之一，对患者和医疗系统均造成沉重负担。在所有恶性肿瘤中，脑癌尤为致命：约70%的确诊患者无法存活，而诊断延迟或不准确会直接降低有效治疗的可能性。不同肿瘤亚型——包括胶质瘤、脑膜瘤和垂体瘤——需要根本不同的治疗策略，因此早期精确的肿瘤分型具有重要的临床意义。磁共振成像（MRI）凭借其优异的软组织对比度已成为脑肿瘤检查的主要模态，但MRI影像的人工判读劳动强度大、存在观察者间差异，且高度依赖放射科医生的经验和疲劳状态。这些局限凸显了对自动化、可靠且准确的计算机辅助诊断（CAD）系统的迫切需求。

深度学习已成为医学图像分类的主导范式，卷积神经网络（CNN）和视觉Transformer在多种癌症成像任务中取得了最先进的性能。然而，深度学习模型对超参数选择高度敏感，包括学习率、批量大小、网络深度和正则化系数。次优的超参数配置经常导致过拟合、泛化能力差和聚类精度下降——在标记医学影像数据稀缺时这一问题尤为突出。

元启发式优化算法提供了一种无梯度、基于种群的超参数选择解决方案，无需对目标景观的平滑性或凸性作任何假设。尽管差分进化（DE）及其变体（如SHADE和L-SHADE）已展现出优异的优化能力，但基于真实世界建模的优化问题仍是该领域的持续挑战。现有方法面临的核心难题是探索全局搜索空间与开发有前景的局部区域之间的平衡：过早收敛到局部最优是常见失效模式，尤其在高维设置中。此外，大量元启发式算法仅通过数值基准评估而未在实际聚类任务中验证，而大量深度学习聚类系统则将超参数调优视为次要问题。多种群策略已成为自然启发优化中广泛采用的设计范式，通过将搜索工作划分到两个或多个相互作用的子种群，可以解耦探索与开发，并缓解过早收敛。

二、研究内容与结论

针对脑癌诊断的临床紧迫性和现有优化策略的局限性，本研究提出正弦调制双种群优化器（SMBO），将正弦调制步长与动态行为切换（DBS）和非对称信息流（AIF）相结合，实现探索与开发之间有原则的、自适应的平衡。研究在CEC基准套件上评估了该算法的数值优化性能，然后将其应用于脑癌MRI图像聚类以展示其在高风险临床任务中的实用性。

在CEC2017基准套件上，SMBO在D = 10和D = 100两个维度下均取得最低平均秩（分别为1.38和1.10）。在CEC2022的D = 10下同样取得最低平均秩（1.33）。Friedman和Wilcoxon秩和检验确认这些差异具有统计学显著性。在脑肿瘤MRI四类聚类应用中，SMBO在ResNet50、VGG16和DenseNet121三种深度特征提取骨干网络结合PCA的条件下，持续取得最佳聚类纯度、归一化互信息和调整兰德指数，其中DenseNet121骨干网络下达到纯度0.8636、NMI 0.6733和ARI 0.6881。这些结果确立了SMBO在数值基准测试和医学图像分析流程中的竞争力。

三、关键技术方法

研究人员采用了以下主要关键技术方法：一是异质种群划分（HPP），将种群划分为规模近似相等的两个子群——精英收敛池（Group A）和多样性探索池（Group B），各自维护局部最优并共享全局最优位置；二是动态行为切换（DBS），基于归一化迭代进度p = It/MaxIt概率性地为整个种群选择单一行为阶段，三个阶段的概率分别为P(stage=1) = 1?p、P(stage=2) = p(1?p)和P(stage=3) = p2，无需人工设定转换阈值；三是正弦调制策略（SMS），步长Φ(p, f_i) = (1 ? sin(πp/2))·exp(?(f_i?f_best)/f_range)，第一个因子随迭代进度全局单调收缩步长，第二个因子将步长耦合到个体相对适应度质量；四是非对称信息流（AIF），在阶段3中，Group A的最差个体被弹入定向档案A（上限为NP，满时随机驱逐），随后被Group B作为替代参考采样，Group B的第二优个体在改进被弹射个体时被注入Group A的空缺槽位；五是自适应参数控制（APC），两个大小为H的历史记忆池M_SS和M_PR存储成功的步长和扰动率，每个个体独立从Cauchy分布和Normal分布中采样参数，在有改进的世代中以适应度改进为权重更新循环推进的记忆槽。SMBO的总体时间复杂度为O(MaxIt·NP·(D+logNP+C_f))。

四、研究结果

CEC2017基准测试结果（D = 10和D = 100）：在CEC2017基准套件上，SMBO在D = 10时取得最低平均秩1.38，D = 100时取得最低平均秩1.10。DBO在D = 10时是最接近的竞争者（1.90），DBO和GWO在D = 100时并列最接近（各2.48）。在F1–F10和F11–F19的逐函数比较中，SMBO在绝大多数函数上取得最优均值或秩1，Wilcoxon秩和检验显示SMBO在绝大多数函数上显著优于对比算法。

脑癌MRI聚类结果：将SMBO应用于4类脑肿瘤MRI聚类，结合三种深度特征提取骨干网络（ResNet50、VGG16、DenseNet121）与PCA降维。SMBO在所有对比算法中持续取得最佳聚类纯度、归一化互信息（NMI）和调整兰德指数（ARI），其中DenseNet121骨干网络下达到纯度0.8636、NMI 0.6733和ARI 0.6881。

五、讨论与结论

讨论部分围绕SMBO核心机制与结果的关系展开，指出正弦调制步长通过迭代进度和个体适应度质量的双重耦合实现了自适应的探索-开发平衡，动态行为切换消除了人工阶段阈值，非对称信息流维持了子种群间的多样性。研究结论为：SMBO在CEC2017和CEC2022基准函数上具有竞争力的性能，并在脑癌MRI聚类中取得优于代表性最先进方法的聚类质量，确立了SMBO作为数值基准测试和医学图像分析流程中具有竞争力的优化器的地位。