Evolving brain tumor segmentation: differential evolution-optimized ensemble deep learning for multi-modal MRI analysis

Shoffan Saifullah

doi:10.1007/s00138-026-01812-1

Evolving brain tumor segmentation: differential evolution-optimized ensemble deep learning for multi-modal MRI analysis

2026-04-12

1

PRE

AI

DOI：10.1007/s00138-026-01812-1

原文链接

原文求助

摘要

En 中文

基于磁共振成像（MRI）的脑肿瘤分割由于肿瘤形态多样、边界定义模糊以及成像模态的显著差异，仍是一个重要的临床挑战。精确的分割对于有效诊断、监测和治疗规划至关重要。然而，当前的深度学习方法常面临超参数敏感、调优过程低效以及跨数据集泛化能力有限等问题。本研究通过提出一种由差分进化（DE）优化的新型分割框架DE-DeepLabV3+Res-UNet50来解决这些挑战，DE是一种强大的进化算法，用于鲁棒的超参数调优。该方法结合了DeepLabV3+的多尺度空洞空间金字塔池化和ResUNet50的高效残差学习优势，显著提升了特征提取和边界检测的精度。在三个公开的脑肿瘤数据集（Figshare脑肿瘤分割（FBTS）、BraTS 2018和BraTS 2021）上进行了广泛的实验和消融研究，并采用了严格的评估指标、统计分析及受试者工作特征（ROC）分析。结果表明，所提出的方法达到了当前最佳性能，Dice相似系数（DSC）和Jaccard指数（JI）分别达到0.9805和0.9620。此外，ROC分析显示曲线下面积（AUC）值在0.9998至1.0000之间，证实了卓越的分割可靠性。尽管DE优化增加了计算需求，但分割精度和泛化能力的显著提升证明了其临床适用性。为解决剩余的局限性，未来的工作将探索将该方法扩展至3D容积MRI分割，整合自监督学习以改进表示，并开发轻量级、计算高效的模型用于临床部署。

Keyword:

Brain tumor segmentation

Differential evolution

DeepLabV3+

ResUNet50

Medical image analysis

Evolving brain tumor segmentation: differential evolution-optimized ensemble deep learning for multi-modal MRI analysis

摘要

期刊

机构