基于深度学习与机器学习的多类别脑肿瘤MRI分割与分类方法研究

《Cancer Imaging》：Multi-class brain tumor MRI segmentation and classification using deep learning and machine learning approaches

本研究针对脑肿瘤MRI图像分类的挑战，提出了一种结合边缘优化二值直方图分割(ER-BHS)和混合特征提取的创新方法。研究人员通过相关性特征优化技术筛选出11个关键特征，并系统比较了深度学习(DL)、神经网络(NN)和机器学习(ML)分类器的性能。随机委员会(RC)分类器在优化后的混合特征数据集上取得了98.61%的最高准确率，证实了DL和ML方法在脑肿瘤自动分类中的有效性，为临床诊断提供了可靠的技术支持。

　　

脑肿瘤作为第二大全球致死性疾病，其早期准确诊断对治疗决策至关重要。传统上，神经放射学家需要依靠磁共振成像(MRI)等影像技术进行人工判读，这一过程不仅耗时耗力，还存在主观判断差异。特别是面对六种常见的脑肿瘤类型（包括脑膜瘤、神经鞘瘤、神经纤维瘤病、胶质瘤、软骨肉瘤和脊索瘤）时，区分良恶性肿瘤及其亚型变得更加复杂。

目前大多数研究局限于肿瘤与非肿瘤的二元分类，缺乏对多类别脑肿瘤的精准识别能力。此外，医学影像存在患者个体差异和成像技术差异，使得传统图像处理方法难以实现稳定可靠的分类效果。这些挑战促使研究人员探索更智能的自动化诊断方案。

在这项发表于《Cancer Imaging》的研究中，Aqib Ali等学者开发了一套完整的计算机辅助诊断系统。他们收集了1200张DICOM格式的脑肿瘤MRI图像，涵盖六种肿瘤类型各200例。研究团队创新性地提出了边缘优化二值直方图分割(ER-BHS)方法，结合混合特征提取和相关性特征选择技术，最终通过多种分类算法比较，实现了高效准确的多类别脑肿瘤分类。

关键技术方法包括：从两家中国医院和Radiopaedia数据库获取的六类脑肿瘤MRI数据集预处理；提出的边缘优化二值直方图分割(ER-BHS)技术；结合直方图、共生矩阵、小波和频谱特征的混合特征提取；基于相关性特征选择(CFS)的特征优化方法；使用10折交叉验证比较深度学习(DL4J、MLP)、神经网络(RNN、WiSARD)和机器学习(RC、RF、J48、BN)等八种分类器性能。

图像预处理与特征提取

研究人员首先将DICOM格式的MRI图像转换为512×512像素的灰度图像，采用锐化算法增强对比度，并使用均值滤波降低噪声。通过提出的ER-BHS方法准确分割肿瘤区域，该方法通过最大化前景与背景像素强度之间的类间方差来实现最佳阈值选择。从分割区域提取了包括一阶直方图特征（均值、标准差、偏度、能量、熵）、二阶共生矩阵特征（能量、相关性、熵、逆差、惯性）、小波特征和频谱特征等66维混合特征，初始特征向量空间达到237,600个特征。

特征优化与分类器比较

通过相关性特征选择(CFS)结合最佳优先搜索(BFS)方法，研究人员从原始特征中筛选出11个最具判别力的特征，将特征维度显著降低至39,600。在优化前后的数据集上分别测试了八种分类器的性能，确保采用患者级数据划分防止信息泄露。

深度学习分类器性能

多层感知器(MLP)在预优化数据集上获得98.05%的最高准确率，而弹性反向传播神经网络(RNN)在优化数据集上表现最佳（97.69%）。深度学习分类器虽然准确率高，但模型训练时间较长，如MLP需要54.85秒。

机器学习分类器性能

随机委员会(RC)分类器在优化数据集上取得了98.61%的卓越准确率，且训练时间仅需0.07秒。随机森林(RF)和J48决策树分别获得97.94%和98.11%的准确率，均表现出色。

多类别分类详细结果

随机委员会分类器对六种脑肿瘤的具体分类准确率为：神经纤维瘤病(99.33%)、脑膜瘤(99.16%)、脊索瘤(98.66%)、软骨肉瘤(98.33%)、胶质瘤(98.33%)和神经鞘瘤(97.83%)。混淆矩阵显示模型对各类型肿瘤均有良好的区分能力。

研究表明，基于机器学习的方法在计算效率和分类性能上具有明显优势，特别是随机委员会分类器在准确率和速度方面都达到了最佳平衡。特征优化过程不仅提高了分类准确率，还将模型训练时间减少了85%以上，证明了特征选择在医学影像分析中的重要性。

这项研究的创新之处在于首次系统比较了深度学习和机器学习方法在六类别脑肿瘤分类任务中的性能，提出了有效的特征优化方案，为临床自动化诊断系统的发展提供了重要参考。未来工作可探索深度学习特征提取与机器学习分类器结合的混合模型，进一步扩展多模态影像数据的应用，推动脑肿瘤精准诊断的发展。