基于卷积神经网络（CNN）的脑肿瘤自动分级系统：从磁共振图像实现高精度低/高级别肿瘤分类

本研究针对脑肿瘤人工分级效率低、准确性不足的问题，开发了一种基于定制化卷积神经网络（CNN）的自动分级系统。通过整合原始MRI切片、肿瘤区域分割、特征提取及预训练模型（MobileNet/Inception V3/ResNet-50），在293例患者数据集上实现99.45%的峰值准确率，显著提升诊断效率并减少迭代次数，为临床决策提供智能化支持。

　　

脑肿瘤作为威胁人类健康的重大疾病，其准确分级对治疗方案的制定和患者生存率提升至关重要。然而，传统依赖活检的肿瘤分级方法不仅具有侵入性，且耗时费力，而现有基于医学影像的自动分级技术又面临特征提取复杂、计算效率低等挑战。世界卫生组织（WHO）将脑肿瘤分为120余种类型，其中低级别（LGT）和高级别（HGT）肿瘤的鉴别诊断直接影响临床预后，但现有算法对这两类肿瘤的识别精度仍有较大提升空间。

针对这一临床痛点，巴基斯坦巴哈瓦尔维多利亚医院（Bahawal Victoria Hospital, BVHB）放射科联合多学科团队在《SLAS Technology》发表了一项突破性研究。研究人员开发了名为BrainCNN的定制化卷积神经网络模型，通过整合多序列MRI影像分析与深度学习技术，实现了脑肿瘤的自动化高精度分级。该研究创新性地采用四阶段实验设计：首先对原始MRI切片进行N4ITK偏置场校正和强度标准化预处理；随后通过k-means聚类分割肿瘤区域；继而利用提出的10层CNN架构进行分层特征提取；最终结合支持向量机（SVM）和迁移学习模型完成分类。研究特别采用来自BVHB的293例患者数据集（含128例LGT和165例HGT），包含T1W、T2W和FLAIR序列的21,960张切片，通过数据增强技术解决了类别不平衡问题。

关键技术方法包括：1）基于N4ITK的MRI图像预处理和颅骨剥离；2）k-means聚类肿瘤区域分割；3）定制化CNN架构（含5个卷积块和ReLU激活函数）；4）四组对比实验设计（原始/分割切片、CNN/SVM分类）；5）采用Adam优化器和网格搜索进行超参数调优。

研究结果部分显示：

1. 模型性能比较：提出的CNN模型在原始切片分类中达到99.56%准确率（LGT）和99.49%（HGT），显著优于MobileNet（98.45%）、Inception V3（95.20%）和ResNet-50（80.20%）。
2. 特征提取优势：从分割切片提取特征后经SVM分类的准确率提升至99.45%，AUC值达0.99，证明肿瘤区域聚焦能增强特征特异性。
3. 计算效率：相比传统人工分级需30分钟/例，自动化流程仅需6分钟，且迭代次数减少40%。
4. 鲁棒性验证：在包含不同扫描参数的测试集上，模型保持98.67%以上的稳定准确率。

讨论部分强调，该研究首次实现将定制化CNN与多模态MRI特征融合应用于临床级脑肿瘤分级。相较于既往研究（如Gilanie等98.52%准确率），本模型通过独特的"收缩-扩张"卷积块设计（32-128-32滤波器架构），有效捕获了肿瘤异质性特征。临床意义在于：1）避免侵入性活检；2）支持WHO 1-4级肿瘤的细粒度分类；3）为精准医疗提供量化依据。未来将通过Grad-CAM等可解释性技术增强模型透明度，并探索跨中心数据验证。这项发表于《SLAS Technology》的成果，为AI辅助神经肿瘤诊断树立了新的技术标杆。