一种基于混合机器学习和深度学习的新方法,用于脑肿瘤分类及患者生存时间预测

《Knowledge-Based Systems》:A Novel Hybrid Machine and Deep Learning Approach for Brain Tumor Classification Based Patient Survival Time Prediction

【字体: 大 中 小 】 时间:2026年01月13日 来源:Knowledge-Based Systems 7.6

编辑推荐:

  脑肿瘤智能诊断系统融合MELM-PACSCN框架,通过深度波let自编码器提取多模态特征,结合自适应核神经网络实现生存预测。实验表明在BraTS2018-2021数据集上,Dice系数达99.63%,显著优于3D-UNet等传统模型。

  
P. Suvarna Raju | P. Chitra | Battula Tirumala Krishna
印度泰米尔纳德邦金奈Sathyabama科学技术学院(被认定为大学)电子与通信工程系研究学者,邮编600119

摘要

脑肿瘤对健康构成了重大挑战,因此需要高效且自动化的检测方法以实现及时准确的诊断。手动检查MRI扫描结果时常受到肿瘤异质性的影响,包括肿瘤的大小、形状和位置的变化,这些因素会延迟评估并降低诊断准确性。为了解决这些问题,本研究提出了一种混合深度学习框架——多层极值学习机-渐进式相邻层协调对称级联网络(MELM-PACSCN),该框架旨在精确分割和分类预处理后的MRI扫描图像,将其分为垂体瘤、脑膜瘤、胶质瘤以及整个肿瘤区域。MELM-PACSCN结合了多层极值学习机(MELM)的快速学习能力和PACSCN的多尺度特征融合技术,以准确描绘复杂的肿瘤边界。深度离散小波自动编码器变换(DDWAET)从分割后的肿瘤图像中提取关键的强度、纹理、形态学和小波特征。此外,战术单元算法(TUA)通过实现全局搜索和高效的数据管理来增强模型的优化和稳定性,从而提高模型的鲁棒性。在生存预测方面,多核条件感知神经网络(MKCANN)利用自适应的患者特定核将患者分为短期、中期或长期生存组。实验评估表明,所提出的模型表现优异,准确率和Dice分数分别为99.15%/99%(BraTS2018)、99.52%/99.97%(BraTS2019)、98.94%/99.78%(BraTS2020)和99.72%/99.63%(BraTS2021),优于3D-UNet和ResUNet+等广泛使用的架构。这些结果表明,该模型在肿瘤边界定位、肿瘤类型识别和生存组预测方面具有显著优势,为神经肿瘤学的临床决策提供了精确、可靠且高效的肿瘤分析支持。

引言

脑肿瘤的特点是中枢神经系统内异常且不受控制的细胞增殖,常常会破坏正常的脑功能并影响大脑的多个区域。这些肿瘤可分为良性肿瘤(通常生长缓慢且局限于某个部位)和恶性肿瘤(具有侵袭性、扩散性强且可能危及生命)。早期和准确的检测对于确定适当的临床干预措施和改善患者预后至关重要。医学成像技术为医生和放射科医师提供了必要的数据,使他们能够可视化、诊断和监测脑部异常[[1], [2]]。在各种成像方式中,磁共振成像(MRI)因其高软组织对比度、非侵入性以及能够捕捉脑组织的结构和功能信息而成为详细评估的首选方法[[3], [4]]。MRI利用强外部磁场和计算机生成的射频脉冲生成高分辨率的体积图像,使临床医生能够以极高的精度区分正常组织和异常组织。脑肿瘤是一种严重的医疗状况,表现为脑组织内异常细胞簇的无控制生长,常常会对周围区域造成压力并导致神经功能缺损。及时检测这些肿瘤对于有效的治疗计划和预后判断至关重要[5]。将脑肿瘤准确分类为特定类型和级别在指导治疗策略方面起着关键作用,有助于选择从手术切除、放射治疗到化疗等多种干预措施[6]。
除了分类之外,精确的肿瘤分割——即绘制MRI扫描中的肿瘤边界和子区域——对于量化肿瘤体积、监测肿瘤进展和规划针对性治疗至关重要。然而,由于肿瘤在形状、大小、位置和强度分布上的差异,分割仍然是一项具有挑战性的任务。深度学习(DL)的最新进展在医学图像分析中展现出巨大潜力,特别是在自动化肿瘤分割、分类和检测等复杂任务方面[[7], [8], [9]]。卷积神经网络(CNN)和基于注意力的架构在提取层次特征和捕捉成像数据中的上下文关系方面表现出了出色的性能。尽管取得了这些进展,现有模型仍面临一些显著挑战,包括在不同MRI模式下的泛化能力不足、计算需求高、对成像噪声敏感、在低对比度区域表现不佳以及异质肿瘤结构中边界划分不准确等问题。此外,许多分割框架是独立于生存预测流程开发的,未能利用肿瘤形态与患者预后之间的潜在关联。这些局限性凸显了迫切需要开发集成度高、计算效率高的框架,以便在分割肿瘤子区域的同时支持下游的预测任务(如生存分层)。解决肿瘤异质性问题、降低计算开销以及将分割与预测建模相结合,为提高诊断准确性和临床决策支持提供了有前景的途径。

相关研究

多种深度学习方法已被应用于脑肿瘤分割,取得了高度准确的结果并提升了系统性能[7]。Zhu等人[8]开发了三维U-Net(3D-UNet)模型,该模型能够对患有脑肿瘤患者的MRI扫描图像中的肿瘤子区域进行分割,并利用联合表示方法预测患者的生存时间,取得了最佳效果。Renugadevi等人[9]提出了一种框架...

提出的方法与技术

本研究提出了一种创新的脑肿瘤分类和患者生存时间预测方法。首先,从四个不同的数据集中收集数据,然后对这些数据进行尺寸调整和标准化,以使输入图像大小一致。这一过程通过降低复杂性和噪声来提高计算效率,同时提升图像质量和对比度,从而更好地提取特征。接下来,通过基于分割的分类方法对不同部分进行分离...

实验结果与分析

本节介绍了所提出框架在肿瘤边界划分和生存估计方面的发现、算法设置、数据集详情、性能观察以及评估指标。所有实验均在配备Intel? Core i7-6700处理器(3.40 GHz)和16 GB RAM的系统上,使用Anaconda Navigator Spyder和Python 3.11环境执行。所得结果经过验证,并与现有技术进行了比较...

讨论

所提出的MELM-PACSCN方法在BraTS数据集(2018–2021年)中的脑肿瘤分割和分类方面表现出优异的性能。该模型在WT、ET和TC区域的敏感性高达99.9%,特异性达到99.81%,同时具有最低的Hausdorff距离,优于3D-UNet、GMFCN、ResUNet+和Yaru3DFPN等现有方法。这些结果证明了该模型在准确性、空间精确性和鲁棒性方面的卓越表现。比较DSC值的图表进一步说明了...

结论

本研究提出了一种混合方法MELM-PACSCN,用于利用MRI图像高效进行脑肿瘤分类。该方法旨在从预处理后的MRI扫描中分割不同的脑肿瘤区域,并利用(DDWAET)从分割后的肿瘤中提取多种特征。TUA与MELM-PACSCN的结合通过全局优化复杂问题并保持对大型数据集的可扩展性,进一步提高了预测准确性。此外,还研究了患者生存时间...

数据来源声明

本研究的支持数据已在参考文献中列出。

资助情况

本研究未获得公共部门、商业部门或非营利组织的任何特定资助。

作者贡献声明

P. Suvarna Raju:概念构思。P. Chitra:指导。Battula Tirumala Krishna:指导。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

无
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号