利用结合相关GAN与BrainNet的双深度学习算法，通过概率分割技术对胶质瘤和胶质母细胞瘤进行筛查

《Scientific Reports》：Screening glioma and glioblastoma brain tumors using dual deep learning algorithm incorporated correlative GAN and BrainNet through the probability segmentation

　　

摘要

尽早发现人脑中的肿瘤能够提高患者的生存时间。其中，胶质瘤和胶质母细胞瘤是最常见的脑肿瘤类型，这类疾病的患者生存率较低，因此早期筛查尤为重要。本研究提出了一种基于双重深度学习（DDL）的胶质瘤及胶质母细胞瘤检测方法。该研究的主要目标是实现多类脑图像分类。所设计的肿瘤检测系统包括预处理、数据增强功能，以及用于生成训练数据的DDL算法模块。在测试阶段，该系统则包含预处理、DDL算法模块以及概率分割算法，以实现分类和分割功能。预处理有助于提升脑图像质量，从而提高肿瘤检测的准确性；而数据增强则可增加脑图像的数量，避免在分类器训练过程中出现过拟合问题。所设计的DDL算法模块结合了相关生成对抗网络（CGAN）和BrainNet分类算法，其中CGAN用于计算用于区分胶质瘤和胶质母细胞瘤的判别特征，这些特征再由BrainNet分类算法进行分类，最终得出分类结果。此外，还设计了经验-公理概率分割算法（EAPSA），用于对胶质瘤和胶质母细胞瘤图像中的肿瘤区域进行分割。通过对所提出的DDL分类算法进行消融实验，并利用标准脑MRI图像数据集对不同图像进行测试，得到了相应的实验结果。