骨骼系统中任何部位的异常生长都被称为骨肿瘤[1]。大约15-20%的原发性骨肿瘤和5%的原发性软组织肿瘤发生在盆腔。盆腔骨肿瘤具有某些共同特征，包括相似的组织学谱型，但存在显著差异。与周围骨骼肿瘤不同，盆腔骨肿瘤更有可能是恶性的。盆腔常见的原发性骨骼肿瘤包括软骨肉瘤、尤因肉瘤和骨肉瘤。40岁以上的人群更容易受到骨髓瘤和盆腔区域转移性疾病的影响[2]。这些肿瘤的侵袭性及其侵犯周围组织的能力导致高死亡率和手术过程中的严重残疾[3]。医学成像技术的进步提高了各种骨肿瘤（包括盆腔骨肿瘤）的检测和分类能力[1]，但由于它们位于身体深处，往往在诊断前已经生长较大，因此检测尤为困难。盆腔区域的复杂解剖结构使得手术管理更加具有挑战性[2]。诊断骨肿瘤主要依赖于组织病理学检查、影像学研究和临床症状。在肿瘤早期阶段，症状并不明显，难以区分不同类型的骨肿瘤[4]。
盆腔损伤的诊断和治疗通过医学成像技术进行[5]。通常使用CT进行手术规划和盆腔骨肿瘤的诊断。即使有CT扫描，评估盆腔骨肿瘤仍然很困难，因为CT图像可能存在噪声和伪影。盆腔的解剖结构复杂，X射线衰减的差异使得生成清晰的CT图像具有挑战性[3]。与X射线图像不同，CT保留了深度信息和不同组织之间的三维（3D）关系，为外科医生提供了受伤部位的清晰图像，因此这些图像被处理并转化为受伤区域的3D模型。通过CT扫描对盆腔骨进行分割可以详细了解损伤的解剖结构和程度，从而使外科医生做出更明智的决策[5]。在医学图像中，位置和边缘等影像特征对于诊断骨肿瘤非常重要[6]。尽管经验不足可能导致诊断错误，从而延误适当的治疗，如果肿瘤是恶性的并扩散到全身，甚至可能导致患者死亡[6]。在成像过程中，检查肿瘤及其周围组织对于获得满意的切除边缘至关重要。此外，外科医生不仅需要切除肿瘤，还需要切除部分健康组织以确保所有癌组织都被清除。
盆腔区域包含多种复杂且重要的解剖结构，这使得完全切除肿瘤变得困难，因此手术的目标是切除肿瘤，而大范围截肢是确保肿瘤完全清除的唯一方法[7]。灰度共生矩阵（GLCM）[8]在疾病诊断、临床分期、治疗评估和预后评估中得到了广泛应用。基于深度学习（DL）[9]的人工智能（AI）技术（如分割、检测、分类和增强）已成功应用于医学成像[10]。这些发展为医疗保健领域创建计算机辅助诊断（CAD）[11]系统提供了新的机会。DL方法在肌肉骨骼成像方面取得了成功，能够准确识别病变并评估骨折、膝关节病变、骨关节炎和脊柱退行性疾病等状况的严重程度[12]。EfficientNet能够学习复杂的模式和层次化表示，显著提高分类准确性[13]。然而，由于骨肿瘤的发病率相对较低，以及肿瘤位置和病理的多样性，基于DL的骨肿瘤研究仍然有限。这些因素使得研究人员难以收集足够的成像数据。此外，关于平片X射线图像中骨肿瘤的DL研究更少，可能是由于X射线图像重叠问题和获取均匀成像数据的难度[6]。
由于盆腔骨肿瘤位于身体深处，大小和形状多变，CT图像对比度低，因此检测这些肿瘤面临独特挑战。现有的盆腔骨肿瘤检测方法存在一些共同局限性。许多方法需要大量的标注训练数据，并且计算复杂度较高，不适合实时或资源受限的环境。一些模型缺乏有效的肿瘤区域空间定位能力，而其他模型则难以泛化到不同类型的肿瘤和成像模式。此外，数据集不平衡、可解释性差以及先进临床技术的可获取性有限等问题进一步限制了它们的有效性。为了克服这些挑战，本研究提出了新型的PyNF-Net，它结合了PyramidNet的层次化特征提取能力和ANFIS的推理能力，旨在实现准确、可解释且计算效率高的盆腔骨肿瘤检测。该方法利用CT图像进行盆腔骨肿瘤检测。首先使用CLAHE算法增强CT图像，然后通过LinkNet进行肿瘤区域分割，接着通过翻转和裁剪进行数据增强。随后从增强后的图像中提取WLD特征。最后，新开发的PyNF-Net（结合了PyramidNet和ANFIS）检测出盆腔骨肿瘤。
本文的主要贡献包括：
实施PyNF-Net进行盆腔骨肿瘤检测： 新开发的PyNF-Net模型用于检测盆腔骨肿瘤。该模型通过结合PyramidNet和ANFIS来提高分类准确性和解释性。WLD与直方图特征的结合捕捉了细粒度纹理模式，提高了特征区分能力，而CLAHE用于预处理，LinkNet用于分割，确保了肿瘤的可见性和精确的区域提取。
本文的结构如下：第2节回顾了以往关于盆腔骨肿瘤的研究及其面临的困难。第3节解释了PyNF-Net模型。第4节讨论了实验结果，第5节总结了本文的工作。
章节片段
动机
由于盆腔区域的解剖结构复杂，早期检测和诊断较为困难，但早期发现可以带来更好的治疗效果，并降低转移风险和手术需求。因此，引入了新的PyNF-Net模型，以有效检测CT图像中的盆腔骨肿瘤。
提出的用于盆腔骨肿瘤检测的金字塔神经模糊网络
在盆腔骨中形成的异常生长被称为盆腔骨肿瘤，可能是良性的也可能是恶性的。新型的混合PyNF-Net方法用于检测盆腔骨肿瘤。首先从数据集中收集盆腔骨肿瘤的CT图像[20]，然后使用CLAHE进行增强[21]。图像增强后，通过LinkNet技术进行肿瘤区域分割[22]。随后通过翻转和裁剪对分割后的图像进行数据增强[23]。
结果与讨论
PyNF-Net在盆腔骨肿瘤检测方面取得了预期结果。
结论
盆腔骨肿瘤是发生在盆腔骨骼中的异常生长，常见症状包括疼痛、肿胀以及活动困难。盆腔骨肿瘤的一个主要问题是它们会削弱骨骼。因此，新开发的混合PyNF-Net模型为从CT图像中检测盆腔骨肿瘤提供了有效的解决方案。检测过程从收集肿瘤数据集中的CT图像开始，并使用CLAHE进行图像增强。下一步是
CRediT作者贡献声明
Kiran Kumar Beesetti：概念构思、方法论、软件开发、验证、形式分析、研究、资源管理、数据整理、初稿撰写、审阅与编辑、项目协调。Geetha Mariappan：概念构思、方法论、软件开发。Sreenu Ponnada：验证、形式分析、研究。Srilakshmi Vellanki：资源管理、数据整理、初稿撰写、审阅与编辑、项目协调。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
