一种混合粒子群-遗传算法框架，用于高精度脑肿瘤MRI分割中U-Net超参数优化 Shoffan Saifullah, Rafa? Dre?ewski, Anton Yudhana, Radius Tanone, Andiko Putro Suryotomo

《Applied Sciences》：A Hybrid Particle Swarm–Genetic Algorithm Framework for U-Net Hyperparameter Optimization in High-Precision Brain Tumor MRI Segmentation Shoffan Saifullah, Rafa? Dre?ewski, Anton Yudhana, Radius Tanone and Andiko Putro Suryotomo

脑肿瘤分割研究提出PSO-GA-U-Net混合模型，通过粒子群优化调整学习率适应模态噪声，遗传算法调节Dropout提升特征多样性，在FBTS、BraTS数据集上实现Dice系数0.9587-0.9480和Jaccard指数0.9209-0.9024，显著优于现有模型。

　　

摘要

由于患者间差异较大、肿瘤形态复杂以及MRI扫描中存在特定于模态的噪声，准确且稳健的脑肿瘤分割在医学图像分析中仍是一个关键挑战。本研究提出了PSO-GA-U-Net，这是一种新颖的混合深度学习框架，它结合了粒子群优化（PSO）和遗传算法（GA）来优化U-Net架构，从而提升分割性能和泛化能力。PSO能够动态调整学习率以适应不同模态之间的差异，而GA则通过自适应调节dropout率来提高特征多样性并减少过拟合。该模型在三个基准数据集FBTS、BraTS 2021和BraTS 2018上进行了评估，采用五折交叉验证方法。PSO-GA-U-Net分别取得了0.9587、0.9406和0.9480的Dice相似系数（DSC）以及0.9209、0.8881和0.9024的Jaccard指数（JI）得分，在重叠精度和边界勾画方面均显著优于现有最先进模型。统计测试确认这些改进在不同折叠次数下都具有显著性（?? <005）。视觉热图进一步展示了该模型在保持不同类型肿瘤和模态下结构完整性的能力。这些结果表明，元启发式引导的深度学习为放射学工作流程中的自动肿瘤分割提供了一种有前景且具有临床应用价值的解决方案。