28、基于级联CNN与LBP特征的交互式TUDIG脑肿瘤检测应用

基于级联CNN与LBP特征的交互式TUDIG脑肿瘤检测应用

1. 脑肿瘤检测背景与现状

脑肿瘤是大脑内异常细胞的异常发育，可分为低级别胶质瘤（LGG，良性）和高级别胶质瘤（HGG，恶性）。LGG肿瘤侵袭性较低，细胞无癌变；HGG肿瘤包含癌细胞，可从身体其他部位扩散至大脑。脑肿瘤组织结构复杂，患者确诊后平均存活期不超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，无需电离辐射，能提供大脑详细深层结构。每个患者的MRI图像包含四个多模态序列：液体衰减反转恢复（FLAIR）、T1加权序列（T1）、T1增强图像（T1c）和T2加权序列（T2），LGG和HGG图像均有这四个序列。

早期，脑肿瘤检测由放射科医生手动完成，但该方法耗时且结果因医生而异。因此，半自动和自动检测方法用于研究和临床应用。现有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）、模糊C - 均值（FCM）等，但这些方法准确性低、耗时且依赖放射科医生。

随着医疗数据的增加和科技发展，需要更准确的肿瘤检测方法。自动化神经网络方法用于在三维MRI脑图像中寻找肿瘤，可自动分类图像特征。然而，一些现有深度学习方法，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，准确性低于基于图像的方法。

2. 提出的方法

为克服上述限制并提高准确性，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）特征用于脑肿瘤检测。具体步骤如下：
1. LBP特征提取 ：LBP用于表征图像的模式、纹理和局部特征。在Python