基于深度学习的磁共振成像脑胶质瘤病理分类的磁共振成像图像特征分析

抽象的

为了探讨MRI在脑胶质瘤(brain glioma, BG)诊断中的应用价值，本研究建立了基于深度学习的多模态特征融合模型，并将其应用于BG分类。选取60例来我院就诊的BG患者作为研究对象。所有患者均接受MRI扫描和增强扫描，并将MRI结果与病理结果进行比较。结果表明，该算法的灵敏度在90%以上，对IV级胶质瘤的诊断灵敏度高达98.28%;特异性在78%以上，诊断IV级胶质瘤的特异性高达95.85%;检测准确率达95%以上。高级别组和低级别组肿瘤体的相对各向异性(rFA)值均小于瘤周水肿，差异有统计学意义 ;Peritumoral水肿的相对表观扩散系数（Radc）值大于高级组和低级组在相同等级的肿瘤体的肿瘤体，差异是值得注意的 ;高级别组与低级别组肿瘤体的rADC值有显著性差异 在高档群和低级组之间的胶质瘤腹腔水肿的Radc值中 。总之，基于深度学习的MRI提高了诊断BG的敏感性，特异性和准确性，并且可以在病理上更准确地分类BG，为BG的临床治疗提供参考。

1.介绍

肿瘤是在多个位点发生的疾病，颅内肿瘤是神经系统中的常见疾病，对人体神经系统非常有害[1]．颅内肿瘤一般分为原发颅内肿瘤和继发颅内肿瘤两类。脑胶质瘤(Brain glioma, BG)起源于神经胶质细胞，是最常见的脑肿瘤。其特征是浸润性增长，特别是高质量BG [2]．结果，难以将其与正常的脑组织区分开，导致手术切除的风险很大。因此，BG在手术前的正确诊断和分级对于制定临床治疗计划具有重要意义[3.那4.]．肿瘤级是指恶性肿瘤程度[5.]．I和II级的BGS是低等级的，III等级和IV等级为高等级[6.]．

由于医疗技术和测试设备的进步，MRI技术和扫描序列无休止地出现。MRI结合了解剖学，功能和成像的优点。在细胞或分子水平和药物的研究和开发中探索肿瘤规律以及现代医学方式的形成以及人类健康的改善是具有重要意义。因此，临床上广泛使用[7.]．为了促进医生在手术期间准确地去除脑胶质瘤，诸如计算机断层扫描（CT），MRI和正电子发射的成像方法通常用于在临床治疗中进行胶质瘤区域。因为MRI在软组织检测中表现出极好的能力，并且可以提供丰富的生理组织信息，通常用于术前诊断，术中治疗和BG的术后检查[8.]．目前的单模MRI技术具有其限制，因为它无法完全显示肿瘤的结构和功能。深度学习可以自动学习多层特征，适用于医学图像的辅助诊断[9.]．在该研究中，基于深度学习理论的多模式MRI技术用于全面显示BG的结构，功能和分子信息，以便为BG的病理分类提供诊断证据和参考。

综上所述，我们选取BG患者作为研究对象，并基于深度学习对其MRI图像进行优化，以评价MRI图像对BG分类的作用。

2。材料和方法

2.1。研究科目和分组

选取2019年7月20日至2020年2月20日住院的BG患者60例作为研究对象。所有患者术前均行MRI扫描及增强扫描，并与术后病理结果进行比较。根据病理分型分为低BG组(低BG组)和高BG组(高BG组)。年龄20 ~ 60岁，男性44例，女性16例，平均年龄55.82±4.18岁。本研究已获湖南省肿瘤医院医学伦理委员会批准，并已告知患者及其家属并签署同意书。

MRI诊断标准严格遵循2015年版的诊断和治疗中国中枢神经系统胶质瘤的准则[10.]．低级BG的MRI成像特征如下：均匀信号，长T.₁，长T.₂。增强的扫描表明，没有弥漫性星形细胞瘤。当信号不均匀并且局部伴有大规模钙化时，它被认为是少突胶细胞细胞瘤。III级胶质瘤也称为渐进性胶质瘤。其MRI信号特性与低级胶质瘤相同，但增强扫描显示出现了增强。IV级胶质瘤表现出不规则的外周增强，伴随着大量的中央坏死和明显的脑水肿，以外的增强区域。胶质瘤Sarcoma的增强扫描表现出坚固的不均匀增强。

对于胶质瘤的分级，根据恶性程度由低到高，可以将其分为I ~ IV级，严格参照WHO 2007版胶质瘤病理分级标准。

纳入标准如下：（1）所有病例均接受MRI扫描，由临床影像医师和神经外科医生严格诊断出MRI诊断标准。（2）根据术后病理结果，患者被诊断为BG。（3）患者没有颅脑手术的历史和大量脑损伤。（4）患者有明显的意识，能够正常沟通，没有精神疾病。

排除标准如下：（1）诊断为患DWI或MRS，（2）患者患有严重沟通障碍或精神疾病的病例，（3）颅内高血压和颅内病变的其他特征，（4）肝肾功能障碍或过敏患者对造影剂。

2．2．核磁共振检查

在常规制剂后，要求所有患者躺在背部，头部流动，它们的上肢放在身体的两侧。将特殊的耳塞插入耳朵中，并且判断患者不会移动[11.]．使用的设备是GE Signa HD 3.0 T磁共振全身扫描仪（Schering，德国）。在传统的轴向，矢状和冠状扫描之后，在注射造影剂后立即再次进行轴向和矢状T1Flair扫描。如有必要，需要冠状增强扫描。增强扫描采用MRI特殊的高压注射器。在将顺磁造影剂注入前肘静脉的剂量为0.1mmol / kg体重时，立即注射15mL的甘氨酸，使得造影剂可以完全分布到患者的身体中。扫描层的厚度约为5mm，层距离为1.5mm，层数为20。

在阅读患者的病史和MRI成像结果之后，两个放射科医生观察并分析了患者的图像以确定BG分类。通过讨论解决了任何不一致。基于术后病理诊断，比较和分析了不同病理学等级的BG的图像特征。

2.3。病理检查

将样品固定在10％中性福尔马林中，嵌入石蜡中，并连续切成4 μ.米厚度。经HE染色后，由高级医师根据2007版WHO脑肿瘤国际分类进行可视化观察[12.]，病理等级和分组确定：低级BG组，主要针对I级和II级BG患者，高级BG组，主要针对III级和IV级BG患者。

2.4。基于多模式特征融合的深度学习模型

目前，卷积神经网络广泛应用于医学图像诊断领域，实现了良好的进展。卷积神经网络的工作机制是通过卷积操作自动提取图像特征，具有丰富的语义信息和强大的鲁棒性[13.]．由于深度学习模型可以通过训练标记的图像获得更好的结果，因此vgg16的第二个至第五卷积块[14.]直接应用于转移学习。提取和处理每个卷积块的最后一层的特征映射，即 那 那分别。ups采样后，和使用由2处理的结果图像熔断像素3卷积内核，然后6再用6个卷积核对融合后的图像进行校正，消除了混叠效应，得到了新的特征图 。金字塔融合方程如下:

在最后一层通过批量普通（BN）层，自适应最大池层和完全连接的层。BN层可以加速收敛速度，提高模型的分类效果。被设置为N的第n维特征 。 介绍参数和并使用漠不关心的估计来输出N-第维度特征如下:

当向Relu层添加非线性因子时，增加模型的表达能力将削弱。Relu的激活功能如下。是非线性模型的表达能力，以及x是最大解。

adaptive maximum pooling layer和standard Max pooling的主要区别在于前者会根据input-size (In)来控制output-size (Out)， stride和kernel size表示如下:

完全连接的层可以被视为满量程的卷积 那和S.和你作为上一层的输出大小。最后，可以获得由卷积神经网络提取的1026维特征。

不同模式的功能具有不同的特征[15.]．在研究中，建立了多模态特征融合的深度学习模型。与隐藏平面和Sigmoid层相比，该模型包含更少的神经元。通过最大化特征层的能量比例来训练整个网络。Sigmoid层可以映射特征融合后的特征区间。特征区间为(0,1)，即预测概率。特征向量F=(1,0)，正向传播方程为: 在哪里 那 是可见层的偏差，是隐藏层的偏差，和是隐藏的层矢量。为了获得最佳拟合多模式特征，能量模型用于调整参数，能量函数如下：

在方程(9.）， 表示模块的总能量。

边际概率分布定义如下: 在哪里 为优化后的非线性函数表达式。 在哪里O.是样品数量。什么时候达到最大值，隐藏层的能量是最小的。当数据在网络内传输数据时，数据流的方向也是能量耗散的方向。在多次迭代之后，网络能量逐渐减弱，并且网络趋于有序，或者趋势分布趋于集中。

2．5．评价指标

准确性，灵敏度和特异性用于定量评估模型的性能。病变图像的主要观察指标包括病变的位置，病变的数量，病变的大小，病变的形状，信号强度，肿瘤周围的水肿，以及增强程度[16.]．原始MRI图像传输到工作站后，通过Function工具(2）软件获取ADC地图和FA映射，具有测量的FA值和ADC值。随后，根据肿瘤体部和肿瘤水肿区与对侧白质面积的比例获得RFA和RADC值。

2．6．统计方法

使用SPSS19.0统计软件处理数据。测量数据表示为平均值±标准偏差 。各组间均数比较由T.-测试。计数数据表示为百分比（％），以及χ²使用测试。 是重要的阈值。

3.结果

3．1．一般信息

60例BG患者中，男性44例，女性16例1）。23例患者在低级BG组，13例是男性，10例是女性，平均年龄为54.16±3.45岁。37例患者在高级BG组，均为20名男性和17名女性，平均年龄为53.45±4.18岁（图2）。两组患者之间的一般信息没有显着差异 那它们之间的组织相当。

3.2。病理结果

根据世界卫生组织国际分类和评分标准，将所有患者分为高级BG组和低级BG组。病理检查表明，低级BG组中有23例：6级星形细胞瘤和17例二次细胞肿瘤。高级BG组37例：7例Ⅲ级内塑性少压术，10例Ⅲ级内塑性星形细胞瘤，20例Ⅲ级胶质母细胞瘤（图3.）。

3.3。基于深度学习算法的BG诊断

根据图4.，可以看出，MRI与传统特征和深度学习特征融合后，各项指标均有一定程度的改善。该算法的灵敏度在90%以上，对IV级胶质瘤的诊断灵敏度高达98.28%;特异性在78%以上，诊断IV级胶质瘤的特异性高达95.85%;检测准确率达95%以上。这说明基于深度学习的MRI在检测BG方面具有较好的性能，可以用于临床BG诊断，协助医生诊断高危患者。

3.4。MRI图像分析

数字5.是MRI图像，显示颅内脓肿灶和肿瘤坏死。显然，脓肿聚焦中的细胞数和高粘度限制了水分子的扩散和运动。

数字6.是BG的女性的MRI图像，年龄44岁。显然是细胞外空间的降低和细胞核与细胞质的比例的增加导致了高级肿瘤的水分子的扩散限制。相应地，ADC值与肿瘤级呈负相关，较低等级的肿瘤通常具有更高的ADC值。

数字7.是雄性的BG的MRI图像，年龄45岁。明显，高级组中的RCBV与低级组相比较高。

3.5。RFA的比较

从数字中很明显8.高档和低级基团中肿瘤体的RFA值分别为0.3192和0.3771，既小于Peritumoral水肿的RFA值 。

3.6。比较rADC

数字9.显示高档组和低级组之间的RADC值。高级组和低级组中Peritumoral水肿的Radc值分别为1.482和2.082，两者均大于相同等级的肿瘤体的Radc值 。高级组和低级组中肿瘤体的Radc值分别为1.853和1.352 。高级别组和低级别组瘤周水肿的rADC值有显著差异 。

4。讨论

BG是常见的颅内肿瘤。为了制定最佳的治疗方案和评估预后，有必要对BG进行准确的分类。病理活检是一种常用的BG分类方法，但有时不够准确，因为BG可能是异质性的，同一肿瘤可能同时具有两个或两个以上分级的病理特征。MRI技术有助于胶质瘤的术前分级，这对于制定正确的BG诊断和治疗方案具有重要意义。建立了基于深度学习的多模态特征融合模型，并将其应用于BG分类。结果发现，结合传统特征和深度学习特征后，MRI各指标均有一定程度的改善。改进算法的灵敏度在90%以上，对IV级胶质瘤的诊断灵敏度高达98.28%。特异性在78%以上，诊断IV级胶质瘤的特异性高达95.85%。准确率达95%以上。这说明基于深度学习模型的MRI在检测BG方面具有较好的性能，可以用于BG的临床诊断，协助医生诊断高危患者。 The research results were similar to those of Kocher et al. (2020) [17.[既表明，应用于MRI图像诊断的优化深度学习算法可以提高诊断的灵敏度和准确性。

ADC值反映了各个方向在体内散热分子扩散的平均值。它用于表达患者体内水分子的扩散运动的速度和范围。如果水分子的扩散更明显，则ADC值较高。由癌症引起的肿瘤细胞浸润和水肿将改变局部脑组织中水分子的扩散能力，导致ADC值的变化。在实验中，高级群体和低级组的Peritumoral水肿区的Radc值均大于同一等级的肿瘤的区域，差异是值得注意的 。在高档组和低级组之间的RADC值中注意到了显着差异 和高档组和低级组之间的胶质瘤腹腔水肿区域的Radc值 。这符合Volovitz等人的结论。肿瘤区域和对侧正常白质的Radc值显示出与肿瘤级的负相关性。这是由于胶质瘤的渗透和生长。因为病理性等级，肿瘤大小，位置和细胞组成不同，所以肿瘤细胞对周围纤维的渗透也是如此。在高档和低级组中，肿瘤体的RFA值与肿瘤水肿区的RFA值之间的RFA值之间注意到了显着差异 。该价值可用于区分来自肿瘤增强区，坏死性囊性区域和腹腔水肿区的正常组织。Nalawade等。（2019）[18.相信FA值可以区分高档和低级的胶质瘤，并且它们在BG的分类中是有乐画的。在这项研究中，肿瘤体的RFA值与高级组和低级组中的腹部水肿区的RFA值不同，表明RFA值可用于将肿瘤体与Peritumoral区分开水肿区。然而，样本大小很小，这可能会降低研究结果的功率。

结论

建立了基于深度学习的多模态特征融合模型，并将其应用于BG分类。我们发现基于深度学习的MRI明显提高了胶质肿瘤的分类结果，敏感性、特异性和准确性都有所提高。但是，也要注意一些限制。样本量小，会降低研究的力度。在后续研究中，需要扩大样本量以加强研究结果。基于深度学习的MRI提高了诊断BG的敏感性、特异性和准确性，可以更准确地对BG进行病理分类，为临床治疗BG提供参考。

数据可用性

没有数据用于支持这项研究。

的利益冲突

作者声明他们没有利益冲突。

参考文献

1. S. Perreault，V. Larouche，U. Tabori等，“Trametinib对儿科胶质瘤或葡萄球菌难治性肿瘤的患者的2阶段研究，以及MAPK / ERK途径的激活：Tram-01，”BMC癌症第19卷，没有。1, p. 1250, 2019。查看在：出版商网站|谷歌学术
2. J. Bai, J. Varghese, R. Jain，“成人胶质瘤WHO分类更新、基因组学和成像:放射科医生需要知道什么”磁共振成像的主题，卷。29，不。2，pp.71-82,2020。查看在：出版商网站|谷歌学术
3. S. J.价格和J. H.Gillard，“脑肿瘤边距和肿瘤入侵的成像生物标志物”英国放射学杂志，卷。84，否。2，PP。S159-S167，2011。查看在：出版商网站|谷歌学术
4. R. J. Somgers和I. Blumcke，“低级发育和癫痫相关的脑肿瘤：一个关键更新2020，”Acta Neuropathologica通信第8卷第2期。1，第27页，2020。查看在：出版商网站|谷歌学术
5. H. Backes, R. Ullrich, B. Neumaier, L. Kracht, K. Wienhard, A. H. Jacobs，“无创定量18F-FLT人脑PET用于评估高度胶质瘤患者的肿瘤增殖，”欧洲核医学和分子成像杂志，第36卷，第2期。12页，1960-1967,2009。查看在：出版商网站|谷歌学术
6. I. J.Beecassis，B.Cordy，S. Durfy等，“评估常规磁共振成像的血管和转移性脑肿瘤的血管建筑特征，”临床神经科学，卷。76，pp。46-52,2020。查看在：出版商网站|谷歌学术
7. B. R. J.Van Dijken，P.J.Van Laar，G.A.Holtman和A.Van der Hoorn，“磁共振成像技术的诊断准确性，用于高等胶质瘤患者的治疗响应评估，系统评价和荟萃分析”欧洲放射学，卷。27，不。10，pp。4129-4144,2017。查看在：出版商网站|谷歌学术
8. 沈昌伟，何俊涛，李鹏飞等，“学习中使用虚拟现实的行为意图:信息技术接受度和学习风格的视角”，虚拟现实，卷。23，不。3，pp。313-324,2018。查看在：出版商网站|谷歌学术
9. Z. LV和W. XIU，“基于SDN和NFV的边缘计算相互作用，下一代IOT”IEEE的东西互联网，卷。7，不。7，PP。5706-5712,2020。查看在：出版商网站|谷歌学术
10. I. Volovitz，N. Shapira，H. Ezer等，“一种非侵略性，高效，酶法，用于解离人脑肿瘤和脑组织到可行的单细胞，”BMC神经科学，卷。17，不。1，p。2016年30日。查看在：出版商网站|谷歌学术
11. A.Vamvakas，S. C. Williams，K. Theodorou等，“对胶质瘤分级的高级多次MRI成像生物标志分析”，physica medica.，第60卷，第188-198页，2019。查看在：出版商网站|谷歌学术
12. S. D. Sasi，Ramaniharan，K.Anandh等，“评估高分辨率的可行性T.₁灌注MRI全脑覆盖:应用于胶质瘤分级欧洲放射学杂志，卷。129，p。109049,2020。查看在：出版商网站|谷歌学术
13. K. Aslan, H. P. Gunbey, L. Tomak, and L. Incesu, “Multiparametric MRI in differentiating solitary brain metastasis from high-grade glioma: diagnostic value of the combined use of diffusion-weighted imaging, dynamic susceptibility contrast imaging, and magnetic resonance spectroscopy parameters,”神经疗养学I神经潜力诊断Polska第53卷，第2期。3，页227-237,2019。查看在：出版商网站|谷歌学术
14. M.Shaver，P.Kohanteb，C.Chiou等人，“优化神经肿瘤影像学：胶质瘤成像的深度学习方法综述，”癌症，第11卷，第2期。6, p. 829, 2019。查看在：出版商网站|谷歌学术
15. K. Chang, a . L. Beers, H. X. Bai等人，“神经胶质瘤负荷的自动评估:一种用于全自动体积和二维测量的深度学习算法，”Neuro-Oncology，卷。21，不。11，pp。1412-1422,2019。查看在：出版商网站|谷歌学术
16. C. G. Bangalore Yogananda，B. R. Shah，M. Vejdani-Jahromi等，“一种新的全自动MRI基于脑脑筋分类的深度自动化的深度学习方法，”Neuro-Oncology，卷。22，没有。3，pp。402-411,2020。查看在：出版商网站|谷歌学术
17. M. kocher，M. I.鲁格，N. Galldiks和P. Lohmann，“射频学习在恶性脑肿瘤放射治疗中的应用”Strahlentherapie und Onkologie第196卷，第2期。10, 856-867页，2020年。查看在：出版商网站|谷歌学术
18. S. Nalawade, G. K. Murugesan, M. Vejdani-Jahromi等，“利用MRI和深度学习对脑瘤异柠檬酸脱氢酶状态进行分类”医学成像，第6卷，第4卷。4, p. 046003, 2019。查看在：出版商网站|谷歌学术

版权

版权所有©2021魏耀和斯蒂芬妮托马斯。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。