28、基于级联CNN与LBP特征的交互式脑肿瘤检测应用

基于级联CNN与LBP特征的交互式脑肿瘤检测应用

1. 引言

脑肿瘤是大脑内部异常细胞的异常发育，主要分为低级别胶质瘤（LGG，良性）和高级别胶质瘤（HGG，恶性）。LGG肿瘤侵袭性较低，细胞为非癌性；HGG肿瘤则含有恶性癌细胞，可从身体其他部位扩散至大脑。脑肿瘤的组织结构复杂，即使经过治疗，患者诊断后的平均存活期也不超过14个月。

磁共振成像（MRI）是神经放射科医生用于捕捉脑组织的诊断技术，无需使用电离辐射就能提供大脑的详细结构。每个患者的MRI图像包含四个多模态序列，即液体衰减反转恢复（FLAIR）、T1加权序列（T1）、T1增强对比图像（T1c）和T2加权序列（T2），这些序列在LGG和HGG图像中均存在。

准确的肿瘤检测窗口应用在肿瘤诊断和治疗规划中具有重要的实际意义。早期，肿瘤检测由放射科医生手动完成，但这种方法耗时且结果在不同医生之间存在差异。因此，半自动和自动检测方法被用于研究和临床应用。现有的半自动检测技术包括支持向量机（SVM）、K - 均值、离散小波变换（DWT）等，但这些方法准确性低、耗时且依赖放射科医生。

如今，随着医疗数据的增加和科技的发展，需要更准确的肿瘤检测方法。为避免半自动方法的局限性，基于自动化神经网络的方法被用于三维MRI脑图像中的肿瘤检测。然而，一些现有的深度学习方法，如前馈人工神经网络（FFANN）、U - Net等，处理单一特征图，且大多采用基于补丁的图像分类技术，准确性不如基于图像的方法。

为克服这些局限性并提高准确性，提出了一种新颖的级联卷积神经网络（CNN），结合局部二值模式（LBP）特征。该方法使用LBP提取所有脑图像的模式和纹理特征，将提取的特征通过3×3、7×7和5×5的三个核进行卷积