基于可变形注意力和显著性映射的自动多类 MRI 脑肿瘤分类与分割研究成果显著

研究人员针对脑肿瘤诊断难题，开展自动分类和分割研究，成果可提升诊断准确性与效率。

　　### 脑肿瘤诊断的新突破：自动多类 MRI 分类与分割技术
在医学领域，脑肿瘤犹如一颗 “定时炸弹”，严重威胁着人们的生命健康。其早期症状往往不明显，等到患者出现明显不适时，肿瘤可能已经发展到了较为严重的阶段。传统的脑肿瘤诊断方法主要依赖医生手动分析磁共振成像（MRI），这不仅耗时耗力，而且诊断结果很大程度上取决于医生的经验和专业水平，容易出现误诊和漏诊的情况。因此，开发一种高效、准确的脑肿瘤自动诊断方法迫在眉睫。

在此背景下，来自 Kermanshah University of Medical Sciences、Shahid Beheshti University of Medical Sciences 和 Meybod University 等机构的研究人员开展了一项极具意义的研究，相关成果发表在《Scientific Reports》上。他们提出了一种基于可变形注意力和显著性映射的自动多类 MRI 脑肿瘤分类与分割方法，为脑肿瘤的诊断带来了新的希望。

研究人员为实现这一目标，运用了多种关键技术方法。他们使用公开的 Kaggle 数据集，该数据集包含 15 种脑肿瘤的 MRI 扫描图像，且已被专家标注。在数据处理方面，为增强模型泛化能力，对图像进行裁剪、缩放等预处理，并采用数据增强策略，如旋转、翻转等变换增加数据多样性。在模型构建上，利用可变形卷积网络（DCN）提取特征，通过动态调整卷积核位置，更好地适应肿瘤的不规则形态；引入多尺度可变形注意力模块（MS-DAM），有效捕捉肿瘤的多尺度特征，提升分类性能；最后，采用显著性映射方法进行肿瘤分割，使分割结果更精确。

下面来看看具体的研究结果。在实验设置上，以 TensorFlow 和 Keras 为框架，使用 GeForce RTX 3070 GPU 加速计算。为解决类别不平衡问题，采用焦点损失函数、针对性数据增强技术和分层抽样策略，并利用 Rectified Adam（RAdam）优化器和余弦学习率衰减进行模型训练，采用 5 折交叉验证评估模型性能。在分类结果方面，该模型在 15 种肿瘤类别上取得了 96.35% 的分类准确率，在多个肿瘤类型上表现出色，如室管膜瘤（EPE）、神经节胶质瘤（GAN）等。尽管在某些肿瘤类型上准确率稍低，但整体分类能力较强。在分割结果方面，采用显著性映射方法进行分割，虽然存在一定的假阳性错误率，但假阴性错误率较低，能准确检测出癌性区域，分割的平均准确率和 Dice 分数分别达到 0.9579 和 0.9611。

从研究结论和讨论部分来看，该研究提出的方法能有效利用 MRI 扫描对脑肿瘤进行分类和分割，有助于医生更准确地判断患者病情。在性能效率上，模型的分类和分割准确率较高，在不同分辨率和噪声条件下表现稳健，计算复杂度也在可接受范围内。在可扩展性和临床可行性方面，分类阶段计算效率较高，经优化后适用于临床实时应用；分割阶段虽计算负载高，但通过优化也有一定的可行性。与其他模型相比，该模型在处理多类脑肿瘤分类和分割任务上具有明显优势。

总的来说，这项研究为脑肿瘤的诊断提供了一种新的有力工具，有望在未来临床实践中广泛应用，帮助医生更高效、准确地诊断脑肿瘤，为患者争取宝贵的治疗时间，推动医学领域在脑肿瘤诊断方面的进步。其创新性的技术方法和可靠的研究结果，为后续相关研究奠定了坚实基础，也为攻克脑肿瘤这一难题带来了新的曙光。