摘要：从磁共振成像（MRI）图像中检测脑肿瘤（BT）在早期诊断和有效治疗计划中发挥着关键作用。本文提出了一种新颖的深度学习框架，集成了基于VGG16的卷积自编码器（CAE）和双向长短期记忆网络（BiLSTM），用于准确且稳健的脑肿瘤分类。VGG16-CAE用于分层空间特征提取，捕获MRI图像的低级和高级表示，而BiLSTM模块建模提取特征中的长程依赖性，从而增强分类性能。该模型使用公开的Kaggle脑MRI数据集进行了评估，经过系统的超参数调优和五折交叉验证，以确保可重复性和泛化性。所提框架取得了优越的性能，平均准确率为96.8%，精确率为97.1%，召回率为96.5%，F1分数为96.8%，ROC-AUC为0.985，狭窄的置信区间（CIs）表明统计稳健性。与基线卷积神经网络（CNN）架构（标准VGG16、ResNet50、DenseNet121，以及不含BiLSTM的VGG16-CAE）以及近期文献的比较分析表明，所提方法通过有效捕捉MRI数据中的序列依赖性，显著优于现有方法。该框架的模块化设计允许未来的扩展，包括肿瘤定位和分割任务，使其成为临床应用的有希望的解决方案。本研究强调将分层特征学习与序列建模相结合在精确检测脑肿瘤方面的优势，有助于改善神经肿瘤学中的决策支持。
Jansi等（星期四）研究了这个问题。