深入学习：用单个3D MRI扫描分类脑肿瘤

(A)高级别胶质瘤(HGG)、低级别胶质瘤(LGG)、脑转移瘤(METS)、听神经瘤(AN)、垂体腺瘤(PA)、脑膜瘤(MEN)、健康(HLTH)类别的t1加权增强扫描(轴向切片，RAS定向)样本(白色箭头)，(B)分类数据分布，(C)用于交叉验证、内部和外部测试的图像和数据分割流程。BraTS =脑肿瘤图像分割，TCGA =癌症基因组图谱，WUSM =华盛顿大学医学院。

北美放射学会

“这是第一项解决最常见的颅内肿瘤并直接确定肿瘤阶级或患有肿瘤的研究3dMRI.卷，“Satrajit Chakrabarty，M.S.，博士生，博士学生在Aristeidis Sotiras，Ph.D.和Daniel Marcus，Ph.D.，在Mallinckrodt学院放射学在密苏里州圣路易斯华盛顿大学医学院的计算成像实验室。六种最常见的颅内肿瘤类型是高级胶质瘤，低级胶质瘤，脑转移，脑膜瘤，垂体腺瘤和声神经瘤。每种通过组织病理学记录，该组织病理学需要从疑似癌症的部位去除手术，并在显微镜下检查它。根据Chakrabarty，机器和深度学习使用MRI数据的方法可能潜在地自动化脑肿瘤的检测和分类。“无侵袭性MRI可作为补体，或在某些情况下，作为组织病理学检查的替代品，”他说。

为了建立他们的机器学习模型(称为卷积神经网络)，Chakrabarty和来自Mallinckrodt放射学研究所的研究人员从四个公开来源开发了一个大型、多机构的颅内3D MRI扫描数据集。除了该机构自己的内部数据，该团队还从脑肿瘤图像分割(Brain Tumor Image Segmentation, the癌症多形性胶质母细胞瘤基因组图谱和癌症低级别胶质瘤基因组图谱。

研究人员将总共2105次扫描分为三个数据子集:1396次用于训练，361次用于内部测试，348次用于外部测试。第一组MRI扫描被用来训练卷积神经网络来区分健康扫描和肿瘤扫描，并根据类型对肿瘤进行分类。研究人员利用内部和外部MRI扫描的数据评估模型的表现。

使用内部测试数据，该模型在七个成像级别(一个健康级别和六个级别)中获得了93.35%(361个级别中的337个)的准确性肿瘤类)．敏感性在91%到100%之间，阳性预测值(或筛查试验呈阳性的患者真正患有该病的概率)在85%到100%之间。阴性预测值——或筛查结果为阴性的患者真正没有患病的概率——在所有类别中都在98%到100%之间。网络注意与肿瘤区域重叠的所有肿瘤类型。

对于只包含两种肿瘤类型(高级别胶质瘤和低级别胶质瘤)的外部测试数据集，该模型的准确率为91.95%。

“这些结果表明，深度学习是对脑肿瘤自动分类和评估的有希望的方法，”Chakrabarty说。“该模型在异构数据集上实现了高精度，并在看不见的测试数据上显示出优异的概括能力。”

Chakrabarty表示，3D深度学习模型越来越靠近端到端的目标，通过改善现有的最终自动化工作流程2D.方法，需要放射科医师手动描绘，或表征在机器处理之前MRI扫描上的肿瘤区域。卷积神经网络在分类之前消除了肿瘤分割的繁琐和劳动密集型步骤。

Sotiras博士是该模型的共同开发者表示，它可以扩展到其他脑肿瘤类型或神经系统疾病，可能提供途径以增加大部分神经产物工作流程。

“这个网络是开发人工智能增强放射学工作流程的第一步，可以通过提供定量信息和统计来支持图像解释，”Chakrabarty添加。