一种优化的分层注意力辅助深度学习模型，用于脑组织分类

《Journal of Neuroscience Methods》：An Optimized Hierarchical Attention Assisted Deep Learning Model for Brain Tissue Classification

脑组织异常检测的优化深度学习模型研究，提出ResFAU-net结合HAMC3架构，采用Coati优化算法提升性能，在BRATS2020数据集上实现96.29% IoU和99.03%准确率。

　　

Divya Sundar V S | Vijayachamundeeswari V

计算机科学与工程系，Saveetha工程学院，Thandalam，金奈-602105，印度

结构摘要

背景与目标

在各种医学应用中，从磁共振成像（MRI）中精确区分脑组织是一个关键挑战。尽管已有许多关于脑组织分类和分割的研究，但由于不同扫描仪类型和采集程序导致的脑组织差异性，这些研究仍存在局限性。由于组织的复杂结构，图像分割是一项重要任务。因此，本文开发了一种高效、优化的分层深度学习方法，用于检测脑组织异常。

方法

本研究首先使用最小-最大归一化对MRI图像进行预处理。随后采用了一种名为“Residual fused accumulated U-net bridge module”（ResFAU-net）的新混合分割方法，该方法结合了残差块、注意力门和Fused Accumulation Bridge模块。分割完成后，使用基于分层注意力的改进卷积级联胶囊网络（HAMC³）进行分类。

与现有方法的比较

该模型整合了级联胶囊网络、卷积神经网络（CNN）和分层注意力机制的优点。为了降低复杂性，采用Coati优化算法对参数进行了调整。模型性能的评估使用了BRATS2020数据集。

结果

在BRATS2020数据集上，所提出模型的实验结果通过dice分数、交并比（IoU）、准确率、精确度、灵敏度和F1分数等指标得到了验证。

结论

所提出的模型表现优异，IoU分数为96.29%，准确率为99.03%。该模型主要用于通过分割和分类异常脑组织区域来检测脑组织异常。

引言

脑部异常细胞是指形成异常组织或细胞的疾病。通常情况下，细胞以可预测的顺序分裂和增殖，每个新细胞会取代前一个细胞。然而，有些细胞会异常生长并持续增殖，严重影响脑功能，甚至导致死亡（Anantharajan等人，2024年；Mathivanan等人，2024年）。根据癌症研究所的数据，2019年美国有86,010例脑癌病例。大约有70万美国人被怀疑患有脑部异常。世界卫生组织（WHO）估计2018年将有960万人被诊断出患有癌症。早期检测是保护患者生命的关键（Bhagyalaxmi等人，2024年）。医生或放射科医生通常会通过评估磁共振成像（MRI）来确诊异常。手动识别异常细胞的过程既费时又昂贵（Asiri等人，2024年）。因此，需要一个自动诊断系统来帮助医务人员及时发现这些致命肿瘤（Amin等人，2024年）。 在医学成像中，分割技术用于识别脑组织。根据颜色、对比度、亮度和灰度等相似属性将图像分割成块或区域的过程称为分割（GREY，2024年）。可以根据颜色、对比度、亮度和灰度等共同特征将图像划分为不同的块或区域。已经开发出多种技术来区分正常的脑部成分，包括白质（WM）、灰质（GM）和脑脊液（CSF）（Kumar等人，2024年）。脑组织分割通常使用U-Net、Trans-U-Net和高级U-Net等技术实现（Zhu等人，2024年；Sharif等人，2024年）。这些模型采用编码器-解码器架构，其中解码器在编码器提取特征图后重建异常区域。通过利用三维空间相关性，更高级的版本（如3D U-Net）提高了分割精度（Ghadimi等人，2025年；Ranjbarzadeh等人，2024年）。 卷积神经网络（CNN）和混合模型用于组织段落的分类。这些模型通过学习从低级纹理到高级模式的层次结构表示，实现对异常脑细胞的分类（Yogalakshmi & Rani，2024年）。脑组织识别利用了多种机器学习（ML）和深度学习（DL）框架（Kang等人，2021年；Aamir等人，2022年）。基于AI和DL的技术进步在医学成像领域尤为重要，尤其是在疾病检测方面。研究人员开发了多种方法来分类MRI图像中的脑组织，包括模糊聚类（FCM）（Alqhtani等人，2024年）、支持向量机（SVM）（Rahman等人，2024年）、人工神经网络（ANN）（Guerroudji等人，2024年）、自组织映射（SOM）和期望最大化（EM）算法（Krishnamoorthy & Balasubramanian，2024年）。然而，这些技术仅为脑组织分类提供了基础（Krishnamoorthy & Balasubramanian，2024年）。深度学习模型，特别是CNN，通过端到端的学习方式处理原始MRI数据，无需费力的特征提取。包括FCN和U-Net在内的多种架构已被用于自动定位和识别组织（Khaliki和Ba?arslan，2024年；Mruthyunjaya和Mandala，2024年）。

在MRI数据中准确分割和分类脑组织仍然是神经影像分析和疾病诊断中的一个主要障碍。肿瘤细胞在外观、大小、位置和成像特征方面的多样性越大，区分良性与恶性组织就越困难。因此，开发自动化、精确且有效的方法来分类和分割脑组织至关重要。由于放射科医生准确识别和分类肿瘤阶段的能力依赖于他们的经验，基于计算机的技术对于提高识别精度至关重要。大多数研究使用传统的ML和图像处理方法来检测脑部疾病。DL模型，如CNN和DNN，在图像分类方面越来越受欢迎，因为它们能够自动提取和学习图像中的重要特征。本研究受到DL架构进步的启发，旨在识别脑组织中的异常细胞。主要贡献如下：

1. ?
   提出了一种优化的深度学习模型，用于脑部异常细胞的分割和分类。
2. ?
   引入了一种名为Residual fused accumulated U-net bridge模块来分割异常细胞区域。
3. ?
   提出了一种基于分层注意力的改进卷积级联胶囊网络（HAMC³）来分类脑部异常。
4. ?
   采用Coati优化算法来调整分类模块的超参数。

本文的其余部分结构如下：第2节回顾了一些先前的研究。第3节详细介绍了所提出的脑组织异常细胞分割和分类方法。第4节讨论了本研究的实验结果。第5节总结了这项研究工作。

部分摘录

文献研究

本文涵盖了近期关于脑组织分割和分类算法的研究。

Balamurugan等人（2023年）建立了一种混合深度CNN（DCNN）分类器模型，即改进的Lu-Net分类器，用于脑细胞分类。主要目标是识别脑图像中的异常区域，并将其分为良性或恶性。首先，使用扩展的Lu-Net方法对数据进行了划分。然后利用灰度共生矩阵（GLCM）……

提出的方法

从MRI图像中准确分割和分类脑组织对于诊断和治疗脑癌至关重要。然而，自动深度学习和机器学习技术经常遇到过度分割和错误分类等问题，这可能对临床决策产生严重影响。因此，本研究的主要目的是改进一种有效且最优的DL架构，以实现成功的分割和识别。

仿真结果

本节探讨了利用MRI图像和深度学习算法进行脑异常细胞分割和检测的结果。包括实验细节和参数信息，以及所使用的数据集描述。还分析了不同的性能指标，以展示所提模型的有效性，并强调了其优势及影响。

结论

在MRI图像中精确识别脑异常组织对于有效的诊断和治疗策略至关重要。手动分割和分类既耗时又容易出错。DL架构的进步有潜力提高分割精度，从而改善患者的诊断结果和生活质量。因此，本研究提出了一种针对脑组织精确分割和准确分类的最优DL架构。

资助

本手稿的编写未获得任何资助。

CRediT作者贡献声明

Divya Sundar V S： 项目管理工作。Vijayachamundeeswari V： 资源提供。

利益冲突声明

无利益冲突