准确检测和分割脑肿瘤对于有效的诊断和治疗计划至关重要。然而，磁共振成像（MRI）噪声和肿瘤与周围组织之间低对比度等挑战通常降低自动化模型的性能。为了解决这些问题，本研究提出了一种高效预定义时间自适应神经网络，用于自动化多类别脑肿瘤检测和MRI分割（DSBT-MRI-EPTANN）。最初，从Figshare脑肿瘤数据集中收集MRI图像，并利用快速重采样迭代滤波（FRIF）进行预处理，该方法在保留结构细节的同时，提高了图像质量。然后，采用双信息增强多视图属性图聚类（DIEMAGC）在像素级进行分割，准确描绘肿瘤区域。使用高效预定义时间自适应神经网络（EPTANN）将分割后的肿瘤分类为脑膜瘤、胶质瘤和垂体瘤类别。为了进一步提高检测和分类性能，应用多玩家战斗游戏启发优化器（MBGIO）来优化EPTANN权重参数。所提出的DSBT-MRI-EPTANN框架实现了99.55%的准确率、99.13%的敏感性和99.11%的特异性，展示了在使用MRI图像时肿瘤分割的稳健性、精准的多类别分类以及增强的脑肿瘤检测可靠性。
Subasree等（星期五）研究了这个问题。