脑淋巴细胞瘤和胶质母细胞瘤的分类研究文献综述

 2022-11-30 11:11

脑瘤是一种脑部组织细胞增生所形成的组织体，目前是极大危害人类生命的肿瘤之一。传统的诊断方法依赖于医生的临床经验，还要进行像脊椎穿刺的检测，不仅给病人带来极大的痛苦，而且需要耗费漫长的时间，客观上不利于前期病情的发现。而核磁共振成像（MRI）已经是一种常见的检测手段，如果能通过MRI图像直接诊断出肿瘤，对病人十分友好。

卷积神经网络（Convolutional Neural Network，CNN）近年来得到了迅速地发展，国内外的研究者们在自然图像分类取得了较大的进展。[1] 作者利用高效的GPU进行卷积操作来训练了一个大型深度卷积神经网络（8层结构，其中前5层为卷积层，后面3层为全连接层；学习参数有6千万个，神经元有650,000），并通过该模型的变体在ILSVRC-2012的竞赛中取得了优异的成绩。GoogLeNet [2] 使用11的卷积层来减少计算瓶颈，增加了深度的同时增加了网络的宽度，而又没有显著增加计算的负担，相较于2012年Krizhevsky提出的网络结构，减少到了1/12的参数，并且更加精确，并且提出了Inception网络结构。同年的[3] 证明了积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用，对迁移学习很大的作用。

网络随着深度的增加（从20层增加到56层），训练误差和测试误差非但没有降低，反而变大了。然而这种问题的出现并不是因为过拟合（overfitting）。[4] 作者就提出了残差结构（Deep Residual Learning Framework），更容易优化并且能够做到网络越深，准确率越高。[5] 作者用一个通用的函数逼近器（mlp）来进行特征提取，通过在每个感知野中加入更加复杂的结构来进行数据的抽象, 增强了模型在其感知野内的辨别能力。

在脑瘤图像分类领域，也是有不少研究者进行了研究。[6]中的研究者使用灰度共生矩阵（GLCM）提取脑肿瘤纹理特征，然后进行机器学习，对脑肿瘤分类。[7] 提出了一种用于多模态磁共振成像扫描的脑肿瘤分割和分类方法。从预处理的图像中提取以下特征：强度，强度差异，局部邻域和小波纹理。随后将综合特征提供给随机森林分类器以预测五类：背景，坏死，水肿，增强肿瘤和非增强肿瘤，然后这些类标签用于分层计算三个不同区域（完整肿瘤，活动性肿瘤和增强肿瘤）。[8] 通过使用由预训练的卷积提取的深度学习特征来实现基于分类的最佳预测准确度。为了改善预测结果，通过各种ML方法提取和训练各种类型的特征。考虑的特征包括体积，统计和强度纹理，直方图和深度特征;采用的ML技术包括支持向量机（SVM），k近邻（KNN），线性判别，树，集合和逻辑回归。[9]提出了一种基于稀疏表示的方法来成功地对脑MRI中的肿瘤进行分类。 他们将脑部扫描分为八个不同类别，其中七个表示不同的肿瘤类型，一个表示正常脑。 这种方法不仅可以对脑肿瘤进行分类，还可以检测它们的存在。[10]使用模式分类方法区分不同类型的脑肿瘤，如原发性胶质瘤和转移瘤，以及胶质瘤的分级。开发了结合常规MRI和灌注MRI的计算机辅助分类方法，并用于鉴别诊断。提出的方案包括几个步骤，包括ROI定义，特征提取，特征选择和分类。提取的特征包括肿瘤形状和强度特征以及旋转不变纹理特征。使用具有递归特征消除的支持向量机（SVM）来执行特征子集选择

由于肿瘤形状和大小的巨大变化，用空间金字塔匹配（SPM）将图像分成越来越精细的矩形子区域，并计算每个子区域的局部特征的直方图的方法不适用于脑肿瘤。[11]提出了一种对于T1加权CE-MRI中脑肿瘤的分类提高性能的方法。首先，通过图像扩张的增强肿瘤区域被用作ROI而不是原始肿瘤区域，因为肿瘤周围组织也可以提供肿瘤类型的重要线索。其次，增强的肿瘤区域被分成越来越精细的环形子区域。

从头开始训练深度卷积神经网络（CNN）很困难，因为它需要大量标记的训练数据和大量的专业知识来确保正确的收敛。一种有希望的替代方案是使用例如大量标记的自然图像来微调已经预训练的CNN。然而，自然和医学图像之间的实质差异可能会建议不要进行这种知识转移。在[12]中，研究者证明：（1）使用经过预先训练的CNN，其具有足够的微调，或者在最坏的情况下，以及从头开始训练的CNN; （2）微调的CNN对训练集的大小比从头开始训练的CNN更强大; （3）浅调和深调都不是特定应用的最佳选择; （4）我们的分层微调方案可以提供一种实用的方法，根据可用数据量，为手头的应用程序提供最佳性能。

诸如卷积神经网络的深度学习模型已经广泛用于3D生物医学分割并且实现了最先进的性能。 然而，它们中的大多数通常适应单个模态或将多个模态堆叠为不同的输入通道。由于医疗影像大多是多模态图像，研究者们开始将多模态图像融合技术应用到医疗领域。[13]归纳了常用的医疗图像融合的方法：加权平均法、多分辨金字塔法、小波变换法，PCA法、HIS变换法、神经网络法。[14] 提出了一种基于DNA甲基化状态的多模态的医学图像分类框架来分类遗传类脑肿瘤胶质母细胞瘤。该框架利用短局部图像描述符的计算高效3D实现，例如LBP，BRIEF和HOG，它们由Bag-of-Patterns模型处理以表示图像区域，通过去噪自动编码器和在分割掩模上计算的手工制作的形状特征获得的深度学习功能。 [15] 提出了一种深度编码器 - 解码器结构，其具有跨模态卷积层以结合不同的MRI数据模态。 此外，他们利用卷积LSTM对2D切片序列进行建模，并以端到端的方式共同学习多模态和卷积LSTM。

参考文献：

  1. A. Krizhevsky, I. Sutskever, and G. E. Hinton. Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, pages 1097–1105, 2012.
  2. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich. Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 1–9, 2015.
  3. Simonyan, Karen，Zisserman, Andrew. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint arXiv:1409.1556,2015.
  4. K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition. arXiv preprint arXiv:1512.03385, 2015.
  5. M. Lin, Q. Chen, and S. Yan. Network in network. arXiv preprint arXiv:1312.4400, 2013.
  6. K. Sharma, A. Kaur, and S. Gujral, “Brain tumor detection based on machine learning algorithms,” International Journal of Computer Applications, vol. 103, no. 1, pp. 7–11, 2014.
  7. K. Usman and K. Rajpoot, “Brain tumor classification from multimodality mri using wavelets and machine learning,” Pattern Analysis and Applications, vol. 20, no. 3, pp. 871–881, 2017.
  8. L. Chato and S. Latifi, “Machine learning and deep learning techniques to predict overall survival of brain tumor patients using mri images,” in IEEE International Conference on Bioinformatics and Bioengineering, 2017, pp. 9–14.
  9. M. Nasir, A. Baig, and A. Khanum, “Brain tumor classification in mri scans using sparse representation,” in International Conference on Image and Signal Processing, 2014, pp. 629–637.
  10. E. I. Zacharaki, S. Wang, S. Chawla, D. S. Yoo, R. L. Wolf, E. R. Melhem, and C. Davatzikos, “Classification of brain tumor type and grade using mri texture and shape in a machine learning scheme,” Magnetic Resonance in Medicine, vol. 62, no. 6, pp. 1609–1618, 2009.
  11. J. Cheng, W. Huang, S. Cao, R. Yang, W. Yang, Z. Yun, Z. Wang, and Q. Feng, “Enhanced performance of brain tumor classification via tumor region augmentation and partition.” PLOS ONE, vol. 10, no. 10, 2015.
  12. N. Tajbakhsh, J. Y. Shin, S. R. Gurudu, R. T. Hurst, C. B. Kendall, M. B. Gotway, and J.Liang, “Convolutional neural networks for medical image analysis: Full training or fine tuning?” IEEE Transactions on Medical Imaging, vol. 35, no. 5, pp. 1299–1312, 2016.
  13. 范立南，王晶，王银玲。多模态医学影像融合技术综述。沈阳大学学报。2016
  14. Esther AlbertsEmail authorGiles TettehStefano TrebeschiMarie BiethAlexander ValentinitschBenedikt WiestlerClaus ZimmerBjoern H. MenzeMulti-modal.Image Classification Using Low-Dimensional Texture Features for Genomic Brain Tumor Recognition. ScienceGRAIL 2017, MICGen 2017, MFCA 2017: Graphs in Biomedical Image Analysis, Computational Anatomy and Imaging Genetics pp 201-209.2017
  15. Kuan-Lun Tseng, Yen-Liang Lin, Winston Hsu, Chung-Yang Huang. Joint Sequence Learning and Cross-Modality Convolution for 3D Biomedical Segmentation.arXiv:1704.07754

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章