7、基于图像的胶质母细胞瘤分割：传统与深度学习方法分析

基于图像的胶质母细胞瘤分割：传统与深度学习方法分析

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，良性肿瘤相对致命性较低，而恶性脑肿瘤则非常危险，若不及时妥善治疗和切除，会迅速扩散。脑肿瘤的检测和分割是一个复杂且敏感的过程。常见的脑肿瘤类型包括脑膜瘤、胶质瘤和垂体瘤，不同类型的肿瘤具有不同程度的恶性程度。其中，胶质瘤是最严重的一种，它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。

通常，肿瘤学家会使用磁共振成像（MRI）和 CT 扫描等诊断成像技术对脑肿瘤进行初步检查。这些技术能提供大量的大脑功能信息。然而，医生若怀疑患者患有脑肿瘤并需要更多关于肿瘤形态的信息，则需要对诊断组织（肿瘤）进行手术活检。通常，神经科医生会手动分割异常区域，但这种手动分割方式具有主观性、成本高、耗时长、易出错且需要经验丰富的神经科医生等缺点。

早期准确地检测任何类型的疾病是治愈患者的关键，这可以提高患者的生存可能性，降低患者生命风险，并将治愈希望提高到 90%。但早期准确检测肿瘤需要专家参与患者的所有评估过程，这对于大量人群来说成本高昂且几乎不可能实现。脑肿瘤主要分为低级别胶质瘤（LGG）和高级别胶质瘤（HGG），HGG 具有侵袭性，而 LGG 的侵袭性相对较低。HGG 患者的平均预期寿命为 1 年，而 LGG 患者的预期寿命为 5 年。脑肿瘤的治疗主要基于手术、放疗和化疗。因此，急需一种计算机辅助诊断系统来识别感兴趣区域（ROI）。计算机辅助诊断（CAD）可以通过机器学习（ML）算法自动实现肿瘤检测的第一阶段。MRI 系统生成大脑图像，而 ML 则会检测大脑中类似肿瘤的不同区域或部分。CAD 随后将协助人类专家生成肿瘤可