图显示了使用 GradCAM 生成的粗略注意图，用于正确分类高级别胶质瘤 (HGG)、低级别胶质瘤 (LGG)、脑转移瘤 (METS)、脑膜瘤 (MEN)、听神经瘤 (AN) 和垂体腺瘤 (PA) . 对于每一对，都显示了对比后T1加权扫描和 GradCAM 注意力图（覆盖在扫描上）。在 GradCAM 地图中，较暖和较冷的颜色分别代表像素对正确预测的高和低贡献。图片来源：北美放射学会

根据发表在《放射学：人工智能》上的一项研究，华盛顿大学医学院的一组研究人员开发了一种深度学习模型，该模型能够使用单个3D MRI扫描将脑肿瘤分类为六种常见类型之一 。

CBAS管材炭黑分散性测定检测系统,炭黑分散性检测仪

“这是第一项解决最常见颅内肿瘤并直接从3D MRI体积确定肿瘤类别或不存在肿瘤的研究，”在 Aristeidis Sotiras 博士指导下的博士生 Satrajit Chakrabarty 说。 D. 和 Daniel Marcus 博士，位于密苏里州圣路易斯市华盛顿大学医学院的 Mallinckrodt 放射学研究所计算成像实验室。

六种最常见的颅内肿瘤类型是高级别胶质瘤、低级别胶质瘤、脑转移瘤、脑膜瘤、垂体腺瘤和听神经瘤。每个都通过组织病理学记录，这需要通过手术从疑似癌症部位取出组织并在显微镜下检查。

根据 Chakrabarty 的说法，使用 MRI 数据的机器和深度学习方法可能会自动检测和分类脑肿瘤。

“非侵入性 MRI 可以作为补充，或者在某些情况下，作为组织病理学检查的替代方法，”他说。

深度学习模型通过单次 MRI 扫描对脑肿瘤进行分类 图显示了使用 GradCAM 生成的粗略注意图，用于正确分类高级别胶质瘤 (HGG)、低级别胶质瘤 (LGG)、脑转移瘤 (METS)、脑膜瘤 (MEN)、听神经瘤 (AN) 和垂体腺瘤 (PA) . 对于每一对，都显示了对比后T1加权扫描和 GradCAM 注意力图（覆盖在扫描上）。在 GradCAM 地图中，较暖和较冷的颜色分别代表像素对正确预测的高和低贡献。图片来源：北美放射学会

根据发表在《放射学：人工智能》上的一项研究，华盛顿大学医学院的一组研究人员开发了一种深度学习模型，该模型能够使用单个3D MRI扫描将脑肿瘤分类为六种常见类型之一 。 “这是第一项解决最常见颅内肿瘤并直接从3D MRI体积确定肿瘤类别或不存在肿瘤的研究，”在 Aristeidis Sotiras 博士指导下的博士生 Satrajit Chakrabarty 说。 D. 和 Daniel Marcus 博士，位于密苏里州圣路易斯市华盛顿大学医学院的 Mallinckrodt 放射学研究所计算成像实验室。 六种最常见的颅内肿瘤类型是高级别胶质瘤、低级别胶质瘤、脑转移瘤、脑膜瘤、垂体腺瘤和听神经瘤。每个都通过组织病理学记录，这需要通过手术从疑似癌症部位取出组织并在显微镜下检查。 根据 Chakrabarty 的说法，使用 MRI 数据的机器和深度学习方法可能会自动检测和分类脑肿瘤。 “非侵入性 MRI 可以作为补充，或者在某些情况下，作为组织病理学检查的替代方法，”他说。

深度学习模型对脑肿瘤进行分类单次 MRI 扫描 (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) 的对比后T1加权扫描样本（轴向切片，RAS 方向） 、脑膜瘤 (MEN)、研究中包含的健康 (HLTH) 类别（白色箭头）、(B) 数据的类别分布，以及 (C) 图像流和数据拆分，用于交叉验证、内部和外部测试. 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。图片来源：北美放射学会 为了构建他们的机器学习模型，称为卷积神经网络，Chakrabarty 和马林克罗特放射研究所的研究人员开发了一个大型、多机构的颅内3D MRI扫描数据集，该数据集来自四个公开可用的资源。除了该机构自己的内部数据外，该团队还从脑肿瘤图像分割、癌症基因组图谱多形性胶质母细胞瘤和癌症基因组图谱低级别胶质瘤中获得了术前、对比后T1加权 MRI 扫描。

研究人员将总共 2,105 次扫描分为三个数据子集：1,396 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 扫描用于训练卷积神经网络以区分健康扫描和肿瘤扫描，并按类型对肿瘤进行分类。研究人员使用来自内部和外部 MRI 扫描的数据评估了模型的性能。 使用内部测试数据，该模型在七个成像类别（一个健康类别和六个肿瘤类别）中实现了 93.35%（361 个中的 337 个）的准确度。敏感性范围为 91% 至 100%，阳性预测值（即筛查结果呈阳性的患者真正患有该疾病的概率）范围为 85% 至 100%。在所有类别中，阴性预测值（即筛查结果为阴性的患者确实没有患病的概率）范围为 98% 至 100%。网络注意力与所有肿瘤类型的肿瘤区域重叠。 对于仅包含两种肿瘤类型（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，深度学习是一种很有前途的脑肿瘤自动分类和评估方法，”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表现出出色的泛化能力。” Chakrabarty 说，3D 深度学习模型通过改进现有的 2D 方法，更接近端到端、自动化工作流程的目标，这需要放射科医生在机器处理之前手动描绘或表征 MRI 扫描上的肿瘤区域。卷积神经网络消除了分类之前繁琐且费力的肿瘤分割步骤。 该模型的共同开发者 Sotiras 博士表示，它可以扩展到其他脑肿瘤类型或神经系统疾病，有可能为增强大部分神经放射学工作流程提供途径。 “该网络是开发人工智能增强放射学工作流程的第一步，该工作流程可以通过提供定量信息和统计数据来支持图像解释，”Chakrabarty 补充道。"

推荐： 光学显微镜的发展历史——二十世纪及之后的显微科学

(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) 的对比后T1加权扫描样本（轴向切片，RAS 方向） 、脑膜瘤 (MEN)、研究中包含的健康 (HLTH) 类别（白色箭头）、(B) 数据的类别分布，以及 (C) 图像流和数据拆分，用于交叉验证、内部和外部测试. 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。图片来源：北美放射学会

为了构建他们的机器学习模型，称为卷积神经网络，Chakrabarty 和马林克罗特放射研究所的研究人员开发了一个大型、多机构的颅内3D MRI扫描数据集，该数据集来自四个公开可用的资源。除了该机构自己的内部数据外，该团队还从脑肿瘤图像分割、癌症基因组图谱多形性胶质母细胞瘤和癌症基因组图谱低级别胶质瘤中获得了术前、对比后T1加权 MRI 扫描。

研究人员将总共 2,105 次扫描分为三个数据子集：1,396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扫描用于训练卷积神经网络以区分健康扫描和肿瘤扫描，并按类型对肿瘤进行分类。研究人员使用来自内部和外部 MRI 扫描的数据评估了模型的性能。

使用内部测试数据，该模型在七个成像类别（一个健康类别和六个肿瘤类别）中实现了 93.35%（361 个中的 337 个）的准确度。敏感性范围为 91% 至 100%，阳性预测值（即筛查结果呈阳性的患者真正患有该疾病的概率）范围为 85% 至 100%。在所有类别中，阴性预测值（即筛查结果为阴性的患者确实没有患病的概率）范围为 98% 至 100%。网络注意力与所有肿瘤类型的肿瘤区域重叠。

对于仅包含两种肿瘤类型（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%。

相关仪器: 数码显微镜

“这些结果表明，深度学习是一种很有前途的脑肿瘤自动分类和评估方法，”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表现出出色的泛化能力。”

Chakrabarty 说，3D 深度学习模型通过改进现有的 2D 方法，更接近端到端、自动化工作流程的目标，这需要放射科医生在机器处理之前手动描绘或表征 MRI 扫描上的肿瘤区域。卷积神经网络消除了分类之前繁琐且费力的肿瘤分割步骤。

该模型的共同开发者 Sotiras 博士表示，它可以扩展到其他脑肿瘤类型或神经系统疾病，有可能为增强大部分神经放射学工作流程提供途径。

“该网络是开发人工智能增强放射学工作流程的第一步，该工作流程可以通过提供定量信息和统计数据来支持图像解释，”Chakrabarty 补充道。

类似内容推荐

• 肿瘤中只有少数细胞可以使癌症扩散到身体的其他部位
• 研究发现改良的生酮饮食对于脑肿瘤患者有帮助
• 新成像和机器学习技术可让科学家能够观察细胞分解葡萄糖
• 研究人员开发了一种深度学习模型可使用单个3D MRI扫描将脑肿瘤分类
• 一种新高敏感度的SARS-CoV-2病毒检测方法问世
• 手机会导致癌症吗？最新研究发现脑肿瘤风险没有增加
• 激光共聚焦扫描显微境概述