9、深度学习在脑肿瘤诊断与分类中的应用

深度学习在脑肿瘤诊断与分类中的应用

1. 脑肿瘤分割与诊断概述

脑肿瘤是由于细胞不规则生长在大脑中形成的异常肿块，每年全球约有30万人被诊断出患有原发性脑肿瘤，其严重性和致命性使其成为广泛研究的课题。除了基于患者症状的病史和临床检查外，大脑成像，如磁共振成像（MRI）和计算机断层扫描（CT），是检测脑肿瘤最可靠的方法。CT扫描使用X射线，对人体有潜在危害，而MRI基于磁场，虽然成本较高，但能生成更详细的大脑图像。

1.1 多模态MRI脑肿瘤分割框架

有研究提出了一种利用四种MRI模式描述的新型脑癌分割框架。每种MRI模态都有其独特的属性，有助于系统更有效地对不同类别进行区分。通过仅关注肿瘤细胞周围的部分大脑图像，CNN算法在效率上可与人工观察相媲美。

此外，还提出了一种简单而有效的梯度CNN框架，用于以不同的斑块尺寸分别捕捉区域和全局特征。在强大的预处理策略提取肿瘤的预测区域后，选择核心位于该区域的斑块输入系统。在预处理阶段去除大量无关像素，有助于降低计算速度和容量，从而快速对医学图像进行分类。

1.2 方法局限性

尽管该方法取得了较好的效果，但在处理大于大脑总体积三分之一的肿瘤块时存在局限性。这是因为随着肿瘤预期区域的增大，特征提取效率会下降。

2. 基于轻量级卷积神经网络的脑肿瘤检测与分类

2.1 研究背景与目标

传统的CNN在内存、存储和处理能力方面需要很高的系统要求，因此需要能够在计算成本较低的环境中运行并产生满意结果的CNN。本研究利用MobileNet V1的概念实现了轻量级CNN，旨在设计一个低成本的CNN，用于从MRI扫描中诊断脑