编辑推荐：
为解决现有脑肿瘤分割方法边缘像素信息利用不足及对增强滞后临床数据效果差的问题，印度马德讷伯勒理工学院的研究人员开展基于改进深度学习的胶质瘤检测与分割研究，结果显示该方法性能优异，有望助力胶质瘤精准诊断。
在人体大脑这个神秘 “小宇宙” 里，一旦有异常细胞 “捣乱” 形成脑肿瘤，就会给健康带来巨大威胁。据相关数据显示，英国每年约 4500 人深受脑肿瘤折磨，其中约 2100 人因此失去生命；美国每年有近 16000 人被诊断出患有脑肿瘤，约 4500 人死亡。而在众多脑肿瘤类型中，胶质瘤最为常见，约占 80% 。按照生命跨度时间，胶质瘤又分为低级别胶质瘤（Low Grade Glioma，LGG）和高级别胶质瘤（High Grade Glioma，HGG），若 LGG 未能及时发现和治疗，可能会发展成 HGG。
目前，医学上有多种成像技术用于筛查胶质瘤，如计算机断层扫描（CT）、磁共振成像（MRI）和正电子发射断层扫描（PET）等。同时，各种分类器在脑肿瘤检测中也发挥着重要作用，从早期的支持向量机（SVM）、k 近邻算法（KNN）等传统分类器，到如今的卷积神经网络（CNN）等深度学习分类器，它们的出现不断推动着脑肿瘤检测技术的发展。然而，现有的脑肿瘤检测和分割方法仍存在一些问题。一方面，大多数方法在肿瘤分割过程中忽视了边缘像素信息，导致肿瘤边界分割精度降低；另一方面，现有算法在高度增强的脑图像上表现良好，但对增强滞后的临床数据效果不佳。
为了解决这些难题，印度马德讷伯勒理工学院（Madanapalle Institute of Technology & Science）的研究人员展开了深入研究。他们提出了一种结合边缘融合（Edge Incorporative Fusion，EIF）算法和 Gabor 变换（Gabor Transform，GaT）的改良深度学习（Modified Deep Learning，MDL）架构，用于增强胶质瘤在 MRI 图像中的检测和分割效果。相关研究成果意义重大，有望为胶质瘤的准确、及时诊断提供更有效的手段，特别是在医疗资源有限的环境中。
在研究过程中，研究人员主要运用了以下关键技术方法：一是 EIF 算法，通过融合同一患者不同脑 MRI 图像的边缘像素信息，增强图像边缘细节，进而提高肿瘤像素分割的准确性；二是 GaT，用于将空间图像转换为多分辨率图像，提取 MRI 图像的空间 - 频率特征，有助于更好地描述肿瘤的纹理和结构内容；三是 MDL 架构，基于 VGG - 16 架构进行优化，减少内部层的复杂性，在保证分类性能的同时缩短检测时间。研究使用的数据集为公开的 PLCO 和 NU 数据集，包含多种带注释的 MRI 图像，为模型训练和验证提供了丰富样本。
研究结果
- 模型训练与评估：研究人员使用 PLCO 和 NU 数据集对 MDL 模型进行训练和评估。在训练过程中，数据集按 7:1.5:1.5 的比例分为训练集、验证集和测试集，模型训练 50 个 epoch，采用早期停止策略，使用 Adam 优化器和分类交叉熵损失函数。结果显示，该模型在检测胶质瘤图像时表现出色，在 PLCO 数据集上，胶质瘤检测因子（Glioma Detection Factor，GDF）达到 99.1%，非胶质瘤检测因子（Non - Glioma Detection Factor，NGDF）为 98.5%，平均检测因子（Detection Factor，DF）为 98.8%；在 NU 数据集上，GDF 为 98.8%，NGDF 为 99.3%，平均 DF 为 99.05%。
- 性能指标对比：与传统的 VGG16 模型相比，MDL 模型在各项性能指标上均表现更优。MDL 模型的准确率达到 99.1%，而 VGG16 模型仅为 96.8%；MDL 模型的灵敏度和特异性均为 98.58%，VGG16 模型的灵敏度为 95.5%，特异性为 94.9%；在衡量分割性能的 Dice 相似系数（Dice Similarity Coefficient，DSC）方面，MDL 模型为 98.91%，VGG16 模型为 96.1%。此外，MDL 模型的处理时间仅为 80ms，比 VGG16 模型的 110ms 更高效。
- 与其他模型对比：将 EIF - MDL 系统与其他先进的深度学习模型如 Vision Transformer（ViT）、Swin Transformer、Attention U - Net、DenseNet with Attention Modules 和 ResNet with SE Blocks 进行比较，EIF - MDL 系统在分类准确率、灵敏度、特异性和 DSC 等指标上均显著优于这些模型。例如，ViT 的准确率为 81.5%，Swin Transformer 的准确率为 97.7%，而 EIF - MDL 系统的准确率高达 99.1% 。
研究结论与讨论
这项研究提出的结合 EIF 算法和 GaT 的 MDL 架构，在胶质瘤肿瘤检测和分割方面展现出卓越的性能。通过融合边缘信息和提取空间 - 频率特征，该模型能够更准确地识别肿瘤区域，其高准确率、高灵敏度、高特异性和高 DSC 指标，均超过了现有模型，为胶质瘤的诊断提供了更可靠的依据。同时，MDL 模型的计算效率高，处理时间短，使其在实时临床应用中具有很大的潜力。
然而，该研究也存在一定的局限性。模型目前依赖特定数据集的 MRI 数据，在临床实践中的变异性估计可能存在偏差，对其他模态图像（如 CT 或 PET 扫描）的适用性尚未得到验证，且对低质量或噪声扫描较为敏感。未来的研究可以朝着多模态数据集评估、增强模型对不同环境的适应性、提高模型的可解释性等方向展开。例如，通过添加去噪算法或在合成噪声增强的数据集上训练，提升模型在低质量扫描下的性能；运用可解释人工智能（XAI）技术，解释模型的决策机制，增强医疗专业人员对模型的信任。总体而言，该研究为胶质瘤检测和分割技术的发展奠定了坚实基础，有望推动相关领域的进一步发展，为更多患者带来希望。
