基于BDefRCNLSTM集成深度学习模型的脑肿瘤精准检测与分割分类研究

　　本研究针对脑肿瘤手动检测效率低、误差大的临床痛点，提出集成熵值局部二值模式(ELBP)特征提取与增强型黑鸥优化(ESTO)算法的新型深度学习框架BDefRCNLSTM，在三大公开数据集上实现超过99%的分类与分割准确率，为临床自动化诊断提供高精度解决方案。

　　

脑肿瘤检测与分类对改善患者预后和治疗方案制定至关重要。传统基于磁共振成像(MRI)的手动识别方法存在耗时长、易出错且依赖专家经验等局限。随着肿瘤特征复杂度的提升，开发自动化解决方案以提升诊断准确性与效率成为迫切需求。本研究创新性地提出增强型可变形残差卷积双向卷积长短期记忆网络(BDefRCNLSTM)集成深度学习模型，用于脑肿瘤的分类与分割任务。该框架融合熵值局部二值模式(ELBP)技术提取空间语义特征，采用增强型黑鸥优化(ESTO)算法实现最优特征选择，并引入改进型X-Net模型实现肿瘤区域的精确分割。在Figshare、Brain MRI和Kaggle数据集上的多维度性能评估表明，BDefRCNLSTM模型在分类与分割任务中均取得超过99%的准确率，显著优于现有前沿方法。该研究成果为自动化脑肿瘤诊断提供了临床可行的技术路径，通过优化特征选择与先进分割技术的融合，显著提升诊断准确性，有望辅助放射科医生实现更快速可靠的临床决策。