面向多模态 CT 成像的可扩展残差特征聚合框架及混合元启发式优化用于鲁棒早期胰腺神经节生物检测
计算机视觉与模式识别
2026-02-19 v2 信息检索
摘要
早期检测胰腺神经节生物是临床中的一个重大难题，这主要是因为肿瘤可能在微弱的对比度边缘和患者间大范围的解剖变异上发生，这些复杂性需要一个有效且可扩展的系统来解决，以增强细微视觉线索的显著性，并在多模态成像数据上提供较高的泛化能力。本研究提出了一个可扩展的残差特征聚合 (SRFA) 框架以满足这些要求。该框架集成了一个数据预处理管线，随后使用能够有效制作胰腺结构并隔离感兴趣区域的 MAGRes-UNet 进行分割。使用存储残差特征的 DenseNet-121 来提取特征，以允许深层次特征在不损失属性的情况下进行聚合。进一步地，采用混合 HHO-BA 元启发式特征选择策略，确保最佳特征子集的优化。为了进行分类，该系统基于一种集成注意力机制能力与 EfficientNet-B3 高表示效率的新型混合模型进行训练。采用融合 SSA 和 GWO 的双优化机制来微调超参数，以增强更大的鲁棒性和降低过拟合。实验结果支持性能的显著提升，所提出的模型达到了 96.23% 的准确率、95.58% 的 F1 分数和 94.83% 的特异度，该模型显著优于传统 CNN 和当代基于变换器的模型。这些结果凸显了 SRFA 框架作为早期检测胰腺肿瘤的有用工具的可能性。
引用
@article{arxiv.2512.23597,
title = {Scalable Residual Feature Aggregation Framework with Hybrid Metaheuristic Optimization for Robust Early Pancreatic Neoplasm Detection in Multimodal CT Imaging},
author = {Janani Annur Thiruvengadam and Kiran Mayee Nabigaru and Anusha Kovi},
journal= {arXiv preprint arXiv:2512.23597},
year = {2026}
}
备注
Accepted at 11th International Conference on Big Data Analytics (ICBDA)