7、基于图像的胶质母细胞瘤分割：传统与深度学习方法对比

基于图像的胶质母细胞瘤分割：传统与深度学习方法对比

1. 引言

脑肿瘤是最具危害性的癌症之一，它会影响人类的中枢神经系统。脑肿瘤可分为良性和恶性肿瘤。良性肿瘤通常不会致命，而恶性脑肿瘤则非常危险，具有扩散性，如果不及时治疗和切除，后果不堪设想。

常见的脑肿瘤类型包括脑膜瘤、胶质瘤和垂体瘤，不同类型的肿瘤在恶性程度上有所差异。其中，胶质瘤是最严重的一种，它通常发生在神经胶质组织和脊髓区域；脑膜瘤则发生在膜区域；垂体瘤生长在垂体腺区域。

目前，肿瘤学家通常使用磁共振成像（MRI）和 CT 扫描等诊断成像技术对脑肿瘤进行初步检查。这些技术可以提供大量的大脑功能信息。然而，为了进行更详细的诊断，医生可能需要对疑似肿瘤组织进行手术活检。

传统上，神经科医生会手动分割大脑中的异常区域，但这种方法存在主观性强、成本高、耗时、易出错等问题，并且需要经验丰富的神经科医生。因此，开发计算机辅助诊断系统来识别感兴趣区域（ROI）变得尤为重要。

计算机辅助诊断（CAD）利用机器学习（ML）算法自动检测肿瘤，为人类专家生成初步的肿瘤可能性报告。目前，用于脑肿瘤分割的 ML 方法主要分为传统 ML 方法和深度学习（DL）方法。传统 ML 方法包括预处理、特征提取、特征选择以及分类器训练和测试四个主要阶段；而 DL 技术在医学图像分析和癌症检测方面表现出了比传统 ML 技术更显著的优势。

2. 传统机器学习和深度学习技术

2.1 传统机器学习方法

传统机器学习方法包括支持向量机（SVM）、K 近邻（K - NN）、随机森林（RF）、模糊 C 均值和 K 均值等，这些方法可进一步分为聚类算法和分类算法。