《Engineering Applications of Artificial Intelligence》：Adaptive three-layered convolution neural network and eXtreme gradient Boost for brain tumor prediction and segmentation in brain images
编辑推荐：
脑肿瘤早期检测与分割方法研究，结合自适应三层卷积神经网络和eXtreme Gradient Boost算法，利用MRI图像数据集验证。方法通过动态调整网络结构提升诊断精度，XGBoost优化肿瘤区域边界，形态学处理精确定位。实验在Kaggle和Bangladesh数据集上取得99%准确率、99%灵敏度及98%Dice系数。
H.T. Basavaraju | N. Jayashree | C. Balarengadurai
印度迈索尔Vidyavardhaka工程学院计算机应用系
摘要
脑肿瘤是存在于大脑区域中的异常组织，会阻碍大脑功能的正常运作。为了提供正确的治疗并确保健康，必须尽早检测和诊断脑肿瘤。磁共振成像（MRI）在识别脑肿瘤方面至关重要，因为它能提供大脑结构的详细和高分辨率图像。本研究采用了一种自适应的三层卷积神经网络架构和极端梯度提升（Extreme Gradient Boost）方法，用于预测和分割磁共振成像中的脑肿瘤。该自适应卷积神经网络能够分析并预测脑图像中肿瘤组织的存在。如果预测结果为阳性，则使用极端梯度提升算法和形态学函数对脑肿瘤区域进行分割。极端梯度提升通过增加肿瘤像素与非肿瘤像素之间的最小距离来实现肿瘤组织的分离。最后，通过形态学处理来准确识别脑图像中的受影响区域。该算法在Kaggle数据集和孟加拉国脑部磁共振成像数据集上进行了测试，考虑了类别不平衡、图像质量变化以及潜在过拟合等多种挑战。实验分析表明，所提出的方法取得了令人满意的结果：准确率为99%，灵敏度为99%，特异性为95%，Dice得分为98%。这表明所提出的模型能够成功定位脑图像中的异常组织。
引言
脑肿瘤是大脑区域内细胞的异常增生，会干扰大脑的正常功能，导致严重的健康问题。如今，由于压力、事故、激素失衡和严重紧张等因素，脑肿瘤的发病率急剧上升。脑肿瘤的晚期发现和治疗会导致严重的健康问题（Verma等人，2024年），甚至可能导致死亡。早期发现和确认脑肿瘤有助于提高患者的生存率并优化治疗策略。已经开发了许多技术（Sailunaz等人，2024年）并在多种脑肿瘤数据集上进行了测试，以识别肿瘤区域，但由于肿瘤形状不对称、大小不一以及肿瘤组织与非肿瘤组织重叠，脑肿瘤的分割仍然是一个复杂的过程。脑部MRI图像分割是医学图像分析中的关键步骤，它能够精确地识别和勾勒出脑图像中的肿瘤区域（Praveena和Rao，2024年）。这需要应用现代自适应卷积神经网络架构和其他类似技术，以便成功区分肿瘤与周围的健康组织。这对于有效的诊断和治疗至关重要。脑肿瘤分割有助于医疗专业人员跟踪肿瘤的生长和进展，通过提供关于肿瘤大小、形状和位置的重要信息，从而实现更及时的干预（Khalighi等人，2024年）。准确的脑肿瘤分割还有助于选择最佳的外科手术方法、放射治疗靶点和其他治疗方案。
此外，多种技术的创新和发展显著提高了脑肿瘤分割的效率（Arora和Gupta，2024年）。自动化的脑分割工具可以快速分析大量的脑部MRI数据，减轻放射科医生的工作负担，并优化临床工作流程。
本文重点介绍了一种结合自适应三层卷积神经网络架构和极端梯度提升算法的算法，用于预测和识别脑部MRI图像中的肿瘤区域。在输入数据具有较大变异性的情况下，这种自适应三层卷积神经网络架构尤为重要。脑部MRI图像会因肿瘤形状、大小以及肿瘤区域内的像素变化而有所不同（Yanzhen等人，2024年）。因此，自适应卷积神经网络能够调整其结构，在最低的计算负担下提高诊断准确性。极端梯度提升深度学习模型通过分析有限的标记数据来区分肿瘤组织和非肿瘤组织。最后，应用形态学结构操作从脑部MRI图像中提取准确的肿瘤区域。
文章的其余部分安排如下：第2节讨论了与脑肿瘤预测和分割相关的各种研究。第3节介绍了整个提出的方法及其脑肿瘤预测和分割过程。第4节提供了评估和结果过程，并通过对比研究展示了所提方法的性能。最后，第5节总结了整个研究工作并提出了未来的研究方向。
相关研究
相关工作
近期在脑部MRI预测和分割方面的研究中，采用了复杂的机器学习和深度学习方法。许多作者开发了算法，旨在通过使用先进的计算方法来分割MRI样本中的肿瘤区域，以提高诊断精度和治疗策略的效果。
Dhanachandra和Chanu（2020年）提出了一种结合动态粒子群优化（DPSO）和模糊C均值（FCM）的分割技术。
提出的方法
所提出的模型采用了一种自适应的三层卷积神经网络架构，用于分析和估计脑部MRI样本中肿瘤组织的存在。如果预测结果正确，则使用极端梯度提升（XGBoost）算法和形态学函数对脑肿瘤区域进行分割。这种自适应的三层卷积神经网络能够调整其结构和功能，以在最小化计算负担的同时提高诊断准确性。
实验分析
通过在Kaggle数据集（bib_https:_www.kaggle.com.nav_detection.）和孟加拉国脑癌MRI数据集（Rahman，2024年）上进行实验分析，评估了所提模型的性能和效率。Kaggle数据集广泛可用，包含许多具有挑战性的扫描图像。Kaggle数据集中共有2065张脑部MRI图像。最初，开发的自适应三层卷积神经网络模型使用了600张图像进行训练。
结论
对MRI扫描图像进行准确的肿瘤区域分割和预测对于早期诊断和有效治疗非常重要。精度水平同样关键，因为它有助于医疗专家提出个性化的治疗方案。此外，精确的肿瘤区域分割有助于监测肿瘤的生长情况，并跟踪肿瘤区域的变化。该算法采用了自适应三层卷积神经网络进行开发。
CRediT作者贡献声明
H.T. Basavaraju：撰写原始草稿、可视化、方法论、研究、形式分析。N. Jayashree：撰写原始草稿、可视化、方法论、研究、形式分析。C. Balarengadurai：撰写原始草稿、可视化、方法论、研究、形式分析。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
