HNMD-CNN：基于分层窄化多深度卷积神经网络的3D MRI图像胶质瘤精准分类新方法

本综述系统介绍了HNMD-CNN（分层窄化多深度卷积神经网络）在3D MRI图像胶质瘤分类中的创新应用。该方法通过模拟放射科医生的诊断逻辑，采用由大到小的分层滤波策略（13×13至3×3），整合多模态MRI序列（FLAIR、T1、T1ce、T2），在BraTS2018/2019数据集上实现了99.93%的分类准确率，显著提升了胶质瘤（HGG/LGG）的诊断精度与收敛速度，为AI辅助脑肿瘤早期检测提供了重要工具。

　　

摘要

脑肿瘤作为罕见但高风险的疾病，常因诊断延迟而进展至危重阶段。胶质瘤根据世界卫生组织（WHO）标准分为高等级（HGG）和低等级（LGG），其早期识别对降低死亡率至关重要。尽管二维成像技术已提升诊断水平，三维成像却能提供更全面的视角。本研究提出一种新颖的分层窄化多深度卷积神经网络（HNMD-CNN），利用3D MRI图像对脑肿瘤进行分类，其设计灵感源于放射科医生的分层诊断模式：先通过大尺度滤波器定位肿瘤区域并提取全局特征，再逐步使用小尺度滤波器聚焦细节特征，从而优化特征表征并提升诊断准确性。

1 引言

1.1 高级成像在肿瘤检测中的应用

MRI序列如T1、T1ce（对比增强）、T2和FLAIR可差异化显示肿瘤区域，辅助界定肿瘤边界及浸润程度。扩散张量成像（DTI）和灌注加权成像（PWI）等进阶技术进一步捕获肿瘤侵袭性。这些序列在矢状、轴向和冠状平面上提供独特特征，构成分层窄化诊断的基础（表1）。例如，FLAIR突显水肿区域，T1提供解剖细节，T1ce识别血脑屏障破坏，而T2检测水分异常。

1.2 机器学习增强肿瘤分类

人工智能（AI）与机器学习（ML）方法，尤其是卷积神经网络（CNN），已成为脑肿瘤诊断的革命性工具。CNN能分析医学图像中的复杂模式，识别人眼难以察觉的特征。结合分层诊断框架，AI可初步筛查MRI图像中的可疑区域，再进行精细分类，从而加速决策过程。近期研究表明，MRI与AI结合显著提高了胶质瘤分类准确性，特别是区分HGG与LGG。融入分子与遗传数据进一步提升了诊断全面性。

1.3 目标与研究问题

本研究旨在探索分层窄化方法在脑肿瘤诊断中的实用性，重点关注两大问题：

• •

  分层窄化策略在整合先进MRI技术与AI分析时，如何提升分类准确性？

• •

  在此框架内加入分子与遗传数据是否会增强胶质瘤分级的精确性？

1.4 相关工作

表2综述了近年基于深度学习的脑肿瘤分类方法，涵盖CNN、U-Net、迁移学习等多种模型，其在BraTS等数据集上的表现凸显了技术进步。例如，2016年Pereira等人采用3×3核CNN在BraTS2015上取得Dice系数0.88；2022年Ullah等人的TumorResNet实现99.33%准确率；而2023年多项研究准确率已逼近99%。

2 提出的方法

2.1 3D MRI图像预处理流程

面对高数据量与复杂结构，预处理管道首先去除无关区域（如非信息性边缘），接着进行标准化与归一化，最后缩放图像以降低维度而不损失关键特征。

2.2 数据表示与特征聚合

MRI图像可作为独立切片或集合使用，后者通过聚合多切片信息增强特征提取。模型同步处理FLAIR、T1、T1ce和T2四种模态（图3），整合各模态特征以提升鲁棒性。多模态整合之所以关键，是因为每种序列贡献独特诊断信息：FLAIR显示水肿，T1呈现结构，T1ce揭示活性肿瘤，T2凸显水分异常，共同全面表征肿瘤形态。

2.3 分层窄化特征提取策略

HNMD-CNN采用分层窄化方法，起始用大核（13×13）捕捉整体结构，逐步过渡至小核（3×3）聚焦病灶细节（图4），模拟放射科医生的认知流程：从全局异常筛查到局部精细分析。该策略提升定位精度与诊断一致性。

2.4 HNMD-CNN模型设计

经大量实验优化，模型最终采用Leaky ReLU（α=0.2）激活函数、批归一化及20%丢弃率以防止过拟合。其核心创新在于分层窄化策略，取代传统CNN的均匀核大小，从而无需注意力或循环层即实现高性能。图5展示了模型架构，包括五层卷积、层次化参数调优（共九级），以及Adam优化器（学习率0.001）。

2.5 多阶段分类管道

研究评估三种数据准备技术（图6）：

• •

  技术1：合并T1、T1ce、T2、FLAIR四种模态切片（41-120）；

• •

  技术2：添加分割图像（若非零值）；

• •

  技术3：仅用FLAIR序列。

  每种均经预处理与侵蚀研究优化，技术1因多模态多样性及避免分割误差传播而表现最佳。

2.6 模型评估

采用混淆矩阵衍生的标准指标：准确率、精确度、召回率、特异性及F1分数（表3）。科恩卡帕分数达0.99875，表明模型预测与真实标签几乎完全一致，远超随机水平，具备临床部署可靠性。

3 实验设置与结果

3.1 数据集描述

使用BraTS2018（278样本）和BraTS2019（335样本）数据集，含NIfTI格式的3D MRI图像（240×240×155），每样本包括四种模态图像及一例ROI标注。合并后共469 HGG和144 LGG样本，均衡选取140例（70/70）用于训练与测试（图9）。

3.2 数据预处理与选择

剔除无诊断信息的切片（0-40和121-155），仅保留41-120切片；移除零值图像以聚焦有效特征。归一化与尺寸调整后，技术1输入尺寸为248×248×3，技术2为310×248×3，技术3保持192×192×3（表5）。

3.3 实验技术

三级技术中，技术1聚合多模态切片，技术2加入分割图，技术3仅用FLAIR。基础CNN含三层卷积（3×3核）、最大池化（2×2）及64神经元全连接层。经增量调整（如层数、核数、激活函数、批大小等），最终确定五卷积层、窄化滤波、ReLU激活、批大小2、二元交叉熵损失及Adam优化器为最优配置。技术1准确率最高（99.93%），图11显示20周期内准确率与损失趋势。

3.4 分层窄化参数调优流程

九级分层调优从卷积与池化（L1）至学习率（L9），每级筛选最佳参数组合（图12-13）。例如，L2筛选滤波尺寸，L5确认ReLU激活最优，L9选定0.001学习率。图14展示了各级准确率提升过程，最终方案（L9选项5）达99.93%准确率。

4 讨论

癌症病例增长使医生早期检测压力倍增，尤其缺乏专业放射科医师时。CNN可辅助临床专家快速、可靠、精准地规划肿瘤治疗，降低死亡率。HNMD-CNN在BraTS2018上99.93%的准确率（表7）超越现有方法（如Jabbar等人98.9%），归功于分层窄化策略的逐步优化。大初始滤波捕获全局特征，小后续滤波细化细节，契合人类感知机制：先定位再详查。

然而，BraTS数据集存在局限性：人口与扫描仪多样性不足、缺乏临床元数据（如遗传标记）及非胶质瘤异常，可能影响现实泛化性。尽管HNMD-CNN通过分层滤波、丢弃正则化等对噪声具鲁棒性，严重退化图像仍需去噪预处理。未来需多中心异构数据验证。

5 结论与未来工作

3D成像设备仅在发达国家普及，昂贵进口替代方案是仿真检测。低质MRI可使诊断困难，导致重扫描。建议开发MRI硬件附件智能检测肿瘤，降低成本与时间，减轻患者压力。未来研究可探索多模态成像融合（如PET-MRI）、迁移与联邦学习以构建全球适用模型，同时整合分子标志物（如IDH突变、1p/19q共缺失）实现多维肿瘤刻画。联邦学习能跨机构训练而不共享原始数据，符合GDPR/HIPAA，提升泛化与安全。分层窄化方法具模态无关性，可扩展至乳腺癌、肝癌等局部异常病变检测。