前言
脑肿瘤的良恶性以及危险等级一直是临床医生诊断脑肿瘤病例时需要判断的重要指标，有助于患者的临床治疗和判断预后。年世界卫生组织WHO将脑肿瘤危险等级划分为I级到IV级。为了让放射科医生更好地分析磁共振影像（MRI），脑肿瘤的多级分类必不可少。
在医学成像的历史中，最近已经出现了许多计算机辅助诊断（CAD）系统，辅助放射科医生深入了解患者病情。本文提出了一种新颖的基于卷积神经网络（CNN）的多级脑肿瘤分类系统。首先，使用深度学习技术对MR图像中的肿瘤区域进行分割。其次，广泛的数据扩充被用来有效地训练所提出的系统，从而避免了在针对多级脑肿瘤分类的MRI处理时缺少数据的问题。最后，使用增强数据对脑神经肿瘤分级进行预训练的CNN模型进行微调。所提出的系统在增强数据和原始数据上都进行了实验评估，结果表明与现有方法相比，该系统具有令人信服的性能。
文章内容概览
本文建立了CAD或多级脑肿瘤分类系统，以支持放射科医生进行可视化和划分肿瘤类型。借助神经网络，可以利用从MRI扫描中提取的高级特征进行肿瘤级别分类，从而有助于放射科医生做出早期诊断、决策治疗方法。在本文中，提出了一种新的基于深度学习的框架，用于根据WHO标准对脑肿瘤等级进行分类。为了有效分析MRI图像，首先将脑部肿瘤从MRI中分割出来。接下来，使用不同的增强技术来增强MRI中分割的肿瘤区域。最后，通过微调深层CNN模型，将脑肿瘤分为四个等级（即I级，II级，III级和IV级）。所提出的系统可以作为放射科医生协助的第二意见，并且可以在对患者进行临床检查后获得肿瘤分级的建议。论文的主要贡献可以总结如下：
1.首次尝试按照世界卫生组织关于脑肿瘤分类的标准实施将脑肿瘤分类为四个等级的CAD系统
2.通过使用各种参数和不同的技术来扩充数据，从而使系统具有变换性和噪声不变性，从而使用了广泛的数据扩充
3.所有的卷积层都使用3*3卷积核，因此能够学习到所有级别肿瘤细小的纹理特征
4.与其他最新技术相比，该系统在大脑MRI图像上已经实现了更高的精度
脑肿瘤与组织病理学分级
脑瘤是成人和儿童中最危险，最致命的癌症之一。早期识别脑肿瘤并将其分类为特定等级对于有效治疗肿瘤非常重要。根据世界卫生组织（WHO）的分类标准，脑肿瘤或中枢神经系统肿瘤进一步分为I级（良性）至IV级（高恶性）。胶质瘤（世界卫生组织将其称为IV级肿瘤）被认为是最致命的肿瘤，即使在治疗管理方面取得了许多进步，它们也预后不良。将IV级肿瘤与其他级别区别开的主要方法是通过组织病理学。可以根据IV级肿瘤的坏死，微血管增生和血管血栓形成特征进行初步分化。然而这些特征通常难以识别，并且非常依赖病理学家的主观看法。
脑肿瘤分级引入磁共振影像方法
因此通过组织病理学来分级仍然存在对神经胶质瘤的评估尚不精确的情况。为了避免由于获取组织病理而进行脑部手术并且能有效识别神经胶质瘤的类型而引入了MR成像方法。因为它可以识别各种组织并对弥漫性神经胶质瘤内部组织构型变化轮廓现实增强。几种典型的MRI技术可以将低度胶质瘤与胶质母细胞瘤（IV级）分离，包括扩散加权成像，MR波谱和灌注加权成像。以往的评论认为，MR扫描特别适用于脑干神经胶质瘤的治疗，并且在许多患者中可替代活检放射疗法。MR在诊断中的作用非常重要，可以用于开发多级脑肿瘤的分类技术，从而减少患者手术次数。
多级脑肿瘤分类的背景
现有的脑肿瘤分类方法的主要问题是二分类为主（良性和恶性），缺乏不同等级的数据样本并且准确性较低。这对于放射科医生进行进一步的研究或治疗是非常不利的。脑肿瘤分类的下一个主要挑战是缺乏公开可用的数据集。此外，迄今为止的技术还没有显示出令人满意的准确性。
目前医学图像分析领域已经完成了许多工作，许多研究人员为医学成像的各个子领域做出了贡献。最近，许多研究人员提出了不同的技术来检测和分割MR图像中的肿瘤区域。利用MRI对肿瘤进行分割后，将其分类为不同的等级。在早期的研究中，将二元分类器用于脑肿瘤的二分类，例如良性和恶性。例如，Kharrat等提出了一种混合方案，使用遗传算法（GA）和支持向量机（SVM）将脑肿瘤分为正常，良性和恶性。
除二元分类外，研究人员还建议进行多级脑肿瘤分类。例如Zacharaki等提出了一种将脑肿瘤分为多种类型的技术，即分类为神经胶质瘤，原发性神经胶质瘤和转移瘤。该研究包括多个阶段：感兴趣区域（ROI）提取，然后是特征提取，特征选择和分类。
尽管目前存在几种用于脑肿瘤分类的技术，但是它们都具有某些局限性。这些系统的第一个局限性是其肿瘤的二元分类，这给放射科医生诊断留下了很多不确定性。具体原因仅良性和恶性分类不足以使放射线医师决定患者的治疗和预防措施。为了使放射科医生更加清晰地理解病情，多分类需要是势在必行的。此外，缺乏数据也是研究人员得以获得精确结果的关键挑战。为了解决这些关键局限性，我们提出了一种基于深度学习的框架，并采用了数据增强技术以实现多级脑肿瘤分类的有效结果。
本文使用的方法概览
近年来，由于深度学习的高准确率及其在许多研究领域（包括计算机视觉，图像处理，身份验证系统和语音识别）得到广泛应用。CNN是前馈人工神经网络（ANN），可以直接从图像数据中识别不同的模式。基于CNN在各种任务中的良好表现，我们使用CNN来解决多级脑肿瘤分类问题。在本文中，我们提供了一种新颖的深度学习框架，可以使用微调的CNN模型将脑肿瘤细分为四个不同的等级。系统包括三个主要步骤：1）肿瘤分割，2）数据扩充和3）深度特征提取和分类。
第一步，将两个数据集中的肿瘤区域进行分割。肿瘤区域通过预先训练的CNN结构进行分割，其层明确支持分割。
下一步是数据增强，其中通过更改不同的参数通过不同的变换和噪声不变性技术来增强数据。
第三步，将数据传递到经过大脑MR图像训练的微调CNN架构，以最终预测肿瘤的等级。提出的详细框架如图1所示。
数据扩充前后的实验数据和实验结果
在本节中讨论了针对多级脑肿瘤分类的实验结果。我们对两个数据集（包括Radiopaedia和braintumor）进行了一些实验。
（注：Radiopaedia是一个非营利性的国际协作的放射学教育网站，含参考文献、放射影像维基、病人的病例。它是目前世界最大的一个免费的放射学相关的资源，网站有超过的病例和超过篇相关主题的论文。）
分别将50％，25％和25％用于训练，交叉验证和测试集。在提出的系统中，我们通过利用不同的数据增强技术增加了每个级别的样本数量。本文分别在原始数据和增强数据上对所提出的方法进行实验。本文使用8GB板载内存和Ubuntu16.04上安装的深度学习框架Caffe的NVIDIAGTX-进行实验。
Radiopaedia数据集
Radiopaedia数据集由张MR图像组成，如表2所示，分为4个不同等级。肿瘤的分类对应于每幅图像附带的真相标签，并且依据的是WHO年度杂志上发布的指南。在数据扩充之前，每个级别的图像数量很少，而基于深度学习的技术则需要大量数据才能进行有效的模式学习。因此通过数据增强技术，从每个MR图像生成30个新图像。表2列出了每个级别新创建的样本数。
braintumor数据集
脑肿瘤数据集包含从例患者中收集的张T1加权对比增强MR图像，图像的分辨率为×，像素大小为0.49×0.49mm2。每个切片之间的间隙为1毫米，切片厚度为6毫米。如表3所示，通过使用数据增强技术，从每个MR图像生成30个新图像。
数据增强前的实验结果
表4和表5分别列出了Radiopaedia和braintumor数据集的混淆矩阵。
从表4可以看出，使用Radiopaedia数据集的I，II，III和IV级的准确性分别为90.03％，89.91％，84.11％和85.50％。
数据增强后的实验结果
在本节中，在对两个数据集应用数据增强之后对系统再次进行评估，从而使结果令人信服，进而可以在实际场景中进行应用。表6显示了带有数据增强功能的Radiopaedia数据集的混淆矩阵。对于I级，使用该数据集的准确性从90.03％提高到95.5％。II，III和IV级的类似准确度分别从89.91％增加到92.66％，84.11％增加到87.77％和85.50％增加到86.71％。所获得的总体准确度为90.67％，远高于没有数据汇总的准确度。
总结与未来工作
本文提出的系统主要包含以下三个方面：
1）通过CNN模型对数据集中的肿瘤区域进行分割
2）使用数据增强进一步增加分割后的数据
3）使用预训练的VGG-19CNN针对多级脑肿瘤分类进行了微调
实验结果表明，所提出的基于CNN的CAD系统的有效性，可帮助放射线医师做出将多级脑肿瘤分为四个等级的精确决策。
将来，本文作者的目标是通过研究轻量级CNN架构来对每个等级进行细分，并平衡时间效率和准确性。
THE
END
参考文献：
[1]M.Sajjad,S.Khan,K.Muhammad,W.Wu,A.Ullah,andS.W.Baik,“Multi-gradebraintumorclassificationusingdeepCNNwithextensivedataaugmentation,”J.Comput.Sci.,vol.30,pp.–,.
扫描
