基于图像的胶质母细胞瘤分割：传统与深度学习方法对比

1. 引言

脑肿瘤是最具危害性的癌症之一，它会影响人类的中枢神经系统。脑肿瘤可分为良性和恶性肿瘤。良性肿瘤通常不会致命，而恶性脑肿瘤则非常危险，具有扩散性，如果不及时治疗和切除，后果不堪设想。

常见的脑肿瘤类型包括脑膜瘤、胶质瘤和垂体瘤，不同类型的肿瘤在恶性程度上有所差异。其中，胶质瘤是最严重的一种，它通常发生在神经胶质组织和脊髓区域；脑膜瘤则发生在膜区域；垂体瘤生长在垂体腺区域。

目前，肿瘤学家通常使用磁共振成像（MRI）和 CT 扫描等诊断成像技术对脑肿瘤进行初步检查。这些技术可以提供大量的大脑功能信息。然而，为了进行更详细的诊断，医生可能需要对疑似肿瘤组织进行手术活检。

传统上，神经科医生会手动分割大脑中的异常区域，但这种方法存在主观性强、成本高、耗时、易出错等问题，并且需要经验丰富的神经科医生。因此，开发计算机辅助诊断系统来识别感兴趣区域（ROI）变得尤为重要。

计算机辅助诊断（CAD）利用机器学习（ML）算法自动检测肿瘤，为人类专家生成初步的肿瘤可能性报告。目前，用于脑肿瘤分割的 ML 方法主要分为传统 ML 方法和深度学习（DL）方法。传统 ML 方法包括预处理、特征提取、特征选择以及分类器训练和测试四个主要阶段；而 DL 技术在医学图像分析和癌症检测方面表现出了比传统 ML 技术更显著的优势。

2. 传统机器学习和深度学习技术

2.1 传统机器学习方法

传统机器学习方法包括支持向量机（SVM）、K 近邻（K - NN）、随机森林（RF）、模糊 C 均值和 K 均值等，这些方法可进一步分为聚类算法和分类算法。

2.1.1 分类

大多数 ML 方法通过对 MRI 图像进行像素级分类来检测 ROI。以下是一些基于分类的脑肿瘤分割方法：

2.1.1.1 SVM 基于技术

SVM 常用于脑肿瘤的分割和分类。不同的研究采用了各种特征提取和分类方法，例如：
- Usman 和 Rajpoot（2017）使用邻域强度、强度差异和小波纹理特征，通过 RF 进行脑肿瘤分割。
- El Abbadi 和 Kadhim（2017）使用灰度游程长度矩阵（GLRLM）和灰度共生矩阵（GLCM）提取特征，并结合概率神经网络（PNNs）进行脑肿瘤分类。

此外，还有许多其他基于 SVM 的方法，如 Rathi 和 Palani（2012）提出将脑肿瘤分割视为像素分类任务，提取强度、纹理和形状特征，使用 SVM 分类器对每个像素进行分类。不同方法在不同数据集上的准确率对比如下表所示：
| 参考文献 | 技术 | 数据集 | Dice | Recall | 准确率(%) |
| — | — | — | — | — | — |
| Zhang 等 (2011) | PCA 基于 SVM | IBSR | - | - | 97.8 |
| Rathi 和 Palani (2012) | 多核 SVM | SG | - | - | 98.87 |
| Reddy 等 (2012) | SVM 和高斯滤波器 SVM | SG | 69 | - | - |
| Vaishnavee 和 Amshakala (2015) | PSVM | BraTS 2015 | - | 90 | - |
| Arikan 等 (2016) | 随机种子选择 SVM | B - 2015 | 80 | - | - |
| Mehmood 等 (2019) | Bow - Surf 基于 SVM | LRH | - | - | 99.0 |
| Das 等 (2019) | GLCM, GRLN, HOG, Tamura 和 LBP 特征及六个分类器 | GMCH | - | - | 100 |

2.1.1.2 K 近邻（K - NN）基于技术

K - NN 是一种监督式 ML 技术，常用于分类和回归问题。例如，Zhang 等（2011）提出了一种混合方法，通过特征提取、降维和分类三个步骤对 MR 图像进行分类，使用 DWT 提取特征，PCA 降维，最终使用 FP - ANN 和 K - NN 进行分类，其 K - NN 的分类准确率达到了 98%。

Wasule 和 Sonar（2017）使用 GLCM 方法提取特征，将 KNN 和 SVM 分类器融合进行脑肿瘤分类。不同 K - NN 方法在不同数据集上的准确率如下表所示：
| 参考文献 | 技术 | 数据集 | 准确率(%) |
| — | — | — | — |
| Zhang 等 (2011) | DWT + PCA + K - NN | T2 加权 MRI 数据库 | 98 |
| Kalbkhani 等 (2013) | PCA + LDA + K - NN | T2 加权 MRI 数据库 | 第一场景 97.62，第二场景 100 |
| Havaei 等 (2016) | K - NN - CRF | MICCAIB BraTS 2013 | 未报告 |
| Wasule 和 Sonar (2017) | GLCM 特征基于 K - NN | 临床数据库，BraTS 2012 | 86，72.50 |

2.1.1.3 随机决策森林基于方法

随机决策森林是一种集成学习系统，用于分类任务。以下是一些使用 RF 检测 ROI 的技术：
- Ellwaa 等（2016）使用迭代 RF 作为分类器，对 BraTS 2016 样本进行测试。
- Meier 等（2016）基于 RF 构建了一个判别模型，使用高判别特征进行训练。

不同 RF 方法在不同数据集上的表现如下表所示：
| 参考文献 | 技术 | 数据集 | 完整核心 | 增强 | DICE |
| — | — | — | — | — | — |
| Reza 和 Iftekharuddin (2014) | EF 与形态学 BraTS 2014 | BraTS 2014 | 81 | 66 | 71 |
| Ellwaa 等 (2016) | 迭代 RF | BraTS 2016 | 82 | 72 | 56 |
| Meier 等 (2016) | RF | SG | 84 | 66 | 39 |
| Soltaninejad 等 (2017) | ERT | BraTS 2012 | 0.88 | - | - |
| Abbasi 和 Tajeripour (2017) | RF | BraTS 2013 | 83.8 | 76 | 76 |

2.1.1.4 聚类

聚类方法也常用于脑 MRI 扫描中异常区域的识别。例如，Verma 等（2009）提出了一种基于山聚类方法的系统，用于脑肿瘤聚类，该方法的平均熵低于 K 均值和模糊 C 均值算法。

Singh 等（2014）提出了一种两阶段标准方法，先使用模糊 C 均值将脑 MRI 图像分割成不同的簇，然后使用水平集算法分离异常区域。

以下是聚类方法的流程：

graph LR
    A[输入脑 MRI 图像] --> B[预处理]
    B --> C[聚类（如模糊 C 均值、K 均值等）]
    C --> D[分离异常区域（如水平集算法）]
    D --> E[输出分割结果]

2.2 深度学习技术

深度学习是基于人工神经网络（ANNs）的机器学习方法，在计算机视觉、自然语言处理、生物信息学、药物设计和医学图像识别等领域取得了优异的成果。基于卷积神经网络（CNN）的脑肿瘤分割策略主要分为 2D - CNN 和 3D - CNN 两种类型。

2.2.1 2D - CNN 技术

• Chang（2016）提出了一个完整的 CNN 脑肿瘤分割系统，具有超局部特征（HLFC），该系统在优化的 GPU 上能在不到一秒的时间内完成分割过程。
• Lun 和 Hsu（2016）提出了一个完全自动的 CNN 系统，使用多模态 MR 图像和基于全局功能的 CNN 布局进行脑肿瘤分割。

不同 2D - CNN 技术在不同数据集上的准确率对比如下表所示：
| 参考文献 | 技术 | 数据集 | 准确率(%) |
| — | — | — | — |
| Pereira 等 (2016) | 2D - CNN | BraTS 2015 | 76 |
| Dong 等 (2017) | U - Net | BraTS 2013 | - |
| Fidon 等 (2017) | 可扩展多模态 CNN | BraTS 2013 | - |
| Seetha 和 Raja (2018) | FCM 分割，纹理和形状特征输入 SVM 和 DNN | BraTS 2015 | 97.5 |
| Khawaldeh 等 (2018) | AlexNet 架构 | TCIA | 91.16 |
| Sajjad 等 (2019) | VGG - 19 CNN 架构使用数据增强 | BraTS 2016 | 无增强 87.38，有增强 90.67 |
| Özyurt 等 (2019) | NS - CNN 特征输入 SVM 分类器 | TCGA - GBM | 95.62 |
| Amin 等 (2020) | 阈值方法，离散小波变换 (DWT) | - | 97 |

2.2.2 3D - CNN 技术

脑肿瘤检测使用 3D - CNN 是一个相对较新的概念。例如，Kayalibay 等（2017）使用 3D - CNN 对医学成像数据进行分割。

不同 3D - CNN 技术在不同数据集上的准确率对比如下表所示：
| 参考文献 | 技术 | 数据集 | 准确率(%) |
| — | — | — | — |
| Urban 等 (2014) | CNN 与 DoG | BraTS 2015 | - |
| Yi 等 (2016) | 3D - CNN | BraTS 2015 | 89 |
| Nie 等 (2016) | 3D - CNN 与 SVM | SG | 89.9 |
| Kayalibay 等 (2017) | 3D - CNN | BraTS 2015 | - |
| Yogananda 等 (2019) | 3D - Dense - UNets | BraTS 2019 | 55 |
| Rehman 等 (2020b) | 3D - CNN | PH2 和 ISBI2016 | 98.20，95.42 |

以下是 3D - CNN 技术的流程：

graph LR
    A[输入脑 MRI 图像] --> B[预处理]
    B --> C[3D - CNN 模型训练]
    C --> D[脑肿瘤分割]
    D --> E[输出分割结果]

3. 结论与未来方向

通过对基于机器学习的脑肿瘤分割策略的广泛分析，我们发现机器学习方法主要分为传统方法和深度学习方法。传统技术根据所使用的机器学习算法进行分类，而深度学习方法则分为 2D - CNN 和 3D - CNN。

3.1 不同方法的性能比较

在脑肿瘤分割任务中，CNN 方法超越了传统的机器学习方法，显著提升了分割性能。其中，3D - CNN 系统旨在通过使用 3D 内核来建模 3D MR 图像特征，能取得较好的效果。然而，由于医学领域缺乏标注数据，且 3D - CNN 在医学图像分割中对处理器要求高，使用起来存在一定困难。

相比之下，2D - CNN 架构主要用于解决医学数据有限的问题，计算复杂度较低，并且通常能获得与 3D - CNN 相似的性能。以下是传统机器学习和深度学习方法的性能对比总结：
| 方法类型 | 优点 | 缺点 |
| — | — | — |
| 传统机器学习 | 可定制应用以建模领域信息 | 依赖手工特征，对复杂结构的学习能力有限 |
| 2D - CNN | 计算复杂度低，适合处理有限数据 | 可能缺乏全局上下文信息 |
| 3D - CNN | 能建模 3D 特征，性能较好 | 对处理器要求高，缺乏标注数据时效果受限 |

3.2 现有方法的局限性

尽管目前有多种脑肿瘤分割和分类方法，但仍存在一些局限性。大多数现有方案仅对肿瘤进行分割，对于放射科医生或医学专家来说，这不足以进行准确的诊断和治疗。他们需要更清晰、准确的分割和分类结果来为患者提供恰当的治疗方案。

此外，医学数据的缺乏对实现准确和稳健的分类结果产生了不利影响。许多现有方法使用非公开数据库进行训练和测试，导致不同方法的结果难以比较。

3.3 未来建议

为了解决上述问题，我们建议采用一种高效的自适应灰度阈值技术对脑 MR 图像中的肿瘤进行分割，然后结合深度学习模型和数据增强方法来提高肿瘤分类结果。

未来的研究应仅使用公开可用的基准数据集，并详细报告数据处理方法，以确保不同研究结果的可比性。以下是未来研究的关键步骤：

graph LR
    A[选择公开基准数据集] --> B[数据预处理]
    B --> C[使用自适应灰度阈值技术分割肿瘤]
    C --> D[构建深度学习模型（如 2D - CNN 或 3D - CNN）]
    D --> E[数据增强]
    E --> F[模型训练与优化]
    F --> G[评估与比较结果]

总之，脑肿瘤的准确分割和分类对于医学诊断和治疗至关重要。虽然目前的方法取得了一定的进展，但仍需要不断改进和创新，以提高诊断的准确性和效率，为患者提供更好的治疗方案。通过采用先进的技术和标准化的研究方法，我们有望在脑肿瘤分割和分类领域取得更大的突破。