基于深度学习的脑肿瘤分级预测方法研究

作者：闻亮; 于跃; 梁国标^*; 李贞妮

来源：医疗卫生装备, 2022, 43(12): 1-7.

DOI：10.19745/j.1003-8868.2022243

• 深度学习
• 脑肿瘤分级
• 高级别胶质瘤
• 低级别胶质瘤
• MRI图像
• 辅助诊断

目的：针对基于MRI图像对脑胶质瘤分级困难的问题，提出一种基于深度学习的脑肿瘤分级预测方法。方法：采用BraTS 2019数据集中的病例作为研究对象，基于深度学习构建由脑肿瘤分割模型、脑肿瘤分类模型及患者术后生存周期预测模型3个部分组成的脑肿瘤分级预测模型(brain tumor grading model,BTGM)。首先，基于MRI图像提取深度学习特征并完成脑肿瘤图像的分割；其次，基于监督学习方法对分割后的肿瘤图像进行分级预测；最后，基于多项式分析法，并结合患者的年龄等生理数据，预测术后脑肿瘤患者的生存周期。通过阳性预测值(positive predictive value,PPV)、Dice系数及敏感度(Sensitivity)评价分割模型的分割效果，通过预测准确率评价分类模型的分级效果，通过和方差(sum of squared error,SSE)、R平方系数评价患者术后生存周期预测模型的拟合结果。结果：分割结果表明，分割准确率(PPV)为89.1%、Dice系数为83.1%、Sensitivity为82.3%；分类结果表明，对脑肿瘤级别的预测准确率为98%；术后生存周期预测结果表明，均值处理后SSE约为初次拟合(1.302×107)的十分之一，R平方系数更接近于1。结论：基于深度学习的BTGM模型可以达到预测脑肿瘤等级的目的，能够较好地辅助医师在患者发病早期做出脑肿瘤级别的判断。

• 单位
  东北大学; 中国医科大学