包星星，趙 璨，饒家聲，2*

（1.北京航空航天大學(xué)生物與醫(yī)學(xué)工程學(xué)院生物材料與神經(jīng)再生北京市重點(diǎn)實(shí)驗(yàn)室，北京100083；2.北京航空航天大學(xué)生物醫(yī)學(xué)工程高精尖創(chuàng)新中心，北京100083；3.北京航空航天大學(xué)儀器科學(xué)與光電工程學(xué)院測控與信息技術(shù)系，北京100083）

0 引言

腦腫瘤源于大腦中異常細(xì)胞的癌變，可以分為良性和惡性兩類。良性腫瘤有神經(jīng)膠質(zhì)瘤和腦膜瘤等，通常呈膨脹式生長，生長速度較慢，包膜和邊界清晰；惡性腫瘤包括膠質(zhì)母細(xì)胞瘤、星形細(xì)胞瘤和髓母細(xì)胞瘤等，通常沿著正常腦組織呈浸潤式生長，生長速度較快，邊界較為復(fù)雜[1]。臨床中，腦腫瘤位置、形狀、尺寸和邊界狀態(tài)等信息的準(zhǔn)確確定能夠?yàn)槟X腫瘤的診斷、監(jiān)測和治療提供特別大的幫助，因此，從影像學(xué)結(jié)果中準(zhǔn)確識(shí)別并分割腦腫瘤以獲取上述信息對于臨床診療而言具有重要意義。

MRI 具有無損傷、高分辨力、高對比度以及多成像序列等特點(diǎn)，這使得它成為了非侵入式鑒別腦腫瘤的重要技術(shù)之一[2-5]。雖然MRI 技術(shù)在檢測腦腫瘤方面的應(yīng)用已十分普及，但是腫瘤組織的識(shí)別和分割仍然是制約量化結(jié)果獲取的主要障礙，尤其是惡性腫瘤。圖1 為高級別腦膠質(zhì)瘤多模態(tài)MRI 圖像，感興趣區(qū)域包括水腫區(qū)域、壞死區(qū)域及活性區(qū)域，呈現(xiàn)了較為復(fù)雜的特點(diǎn)[6]，傳統(tǒng)的識(shí)別算法難以得到較高的準(zhǔn)確率，而人工分割則需要花費(fèi)大量的時(shí)間。近年來，機(jī)器學(xué)習(xí)方法在腦腫瘤檢測中表現(xiàn)優(yōu)異，已成為了腦腫瘤識(shí)別研究的熱點(diǎn)方法之一[5]。機(jī)器學(xué)習(xí)模擬人腦的思考學(xué)習(xí)模式，通過對已知事物的分析和歸納，形成新的知識(shí)或是得出某種模型，并以此對未知事物做出符合實(shí)際的判斷和預(yù)測[7]。由于機(jī)器學(xué)習(xí)是基于數(shù)據(jù)驅(qū)動(dòng)的，理論上只要有足夠的數(shù)據(jù)樣本和/或優(yōu)秀的數(shù)據(jù)質(zhì)量，即可獲得準(zhǔn)確率較高的預(yù)測模型，這對于擁有海量數(shù)據(jù)的臨床而言具有極大優(yōu)勢。機(jī)器學(xué)習(xí)的方法有很多種，其中傳統(tǒng)的模糊C 聚類（fuzzy C-mean，F(xiàn)CM）、支持向量機(jī)（support vector machine，SVM）、隨機(jī)森林（random forest，RF）和新興的深度學(xué)習(xí)方法（deep learning，DL）在圖像識(shí)別領(lǐng)域具有較大的優(yōu)勢。本文對這4 種較為典型的機(jī)器學(xué)習(xí)方法在MRI 圖像腦腫瘤識(shí)別與分割中的應(yīng)用展開綜述。

圖1 高級別腦膠質(zhì)瘤多模態(tài)MRI 圖像[6]

1 傳統(tǒng)機(jī)器學(xué)習(xí)方法檢測腦腫瘤

在信息迅速膨脹的時(shí)代，傳統(tǒng)機(jī)器學(xué)習(xí)發(fā)揮著從海量數(shù)據(jù)中挖掘有用信息的作用，這使得傳統(tǒng)機(jī)器學(xué)習(xí)被應(yīng)用于許多領(lǐng)域，尤其是含有海量復(fù)雜信息的醫(yī)學(xué)影像領(lǐng)域。腦腫瘤疾病的發(fā)病率較高，而傳統(tǒng)機(jī)器學(xué)習(xí)方法能從MRI 腦腫瘤圖像中識(shí)別損傷區(qū)域，很大程度上提高了腦腫瘤疾病的診斷準(zhǔn)確率和診斷效率。本節(jié)將對傳統(tǒng)機(jī)器學(xué)習(xí)中具有代表性的3 種方法——FCM、SVM 和RF 方法在MRI 圖像腦腫瘤檢測中的應(yīng)用和改進(jìn)進(jìn)行詳細(xì)闡述。

1.1 傳統(tǒng)機(jī)器學(xué)習(xí)方法在腦腫瘤檢測中的應(yīng)用

FCM 屬于傳統(tǒng)機(jī)器學(xué)習(xí)中的無監(jiān)督式學(xué)習(xí)方法，是在對目標(biāo)函數(shù)優(yōu)化基礎(chǔ)上的一種數(shù)據(jù)聚類，源自于傳統(tǒng)K 均值（K-means）硬劃分算法的一種改進(jìn)[8]。FCM 因算法簡單、收斂速度快以及易于應(yīng)用計(jì)算機(jī)實(shí)現(xiàn)而被廣泛關(guān)注，成為醫(yī)學(xué)圖像處理技術(shù)中常用的方法之一[9]。Gupta 等[9]利用超像素和FCM 聚類概念進(jìn)行MRI 圖像腦膠質(zhì)瘤分割，首先采用簡單線性迭代聚類的方法從MRI 圖像中提取超像素，隨后將超像素中所有像素強(qiáng)度的平均值輸入FCM 分類器實(shí)現(xiàn)分割，最后從已分割的圖像中提取集中模式的運(yùn)行長度特征并利用樸素貝葉斯模型進(jìn)行分類。結(jié)果顯示，MRI 圖像腦膠質(zhì)瘤分割Jaccard 指數(shù)和圓盤相似系數(shù)分別達(dá)到了91%和89%，證明了應(yīng)用FCM 機(jī)器學(xué)習(xí)方法識(shí)別MRI 腦腫瘤圖像的優(yōu)越性。大部分情況下，MRI 圖像腦腫瘤的分割與識(shí)別不是簡單地應(yīng)用FCM，而是將FCM 與其他算法進(jìn)行結(jié)合。例如，Jayanthi 等[10]針對MRI 圖像中腦腫瘤邊緣輪廓的不確定性以及強(qiáng)度的不均勻性，將活動(dòng)輪廓模型與FCM 結(jié)合，利用FCM 確定活動(dòng)輪廓模型的初始輪廓，減少了人工干預(yù)，取得了較為良好的腦腫瘤分割效果。Ahammed 等[11]將K-means 和FCM 方法相結(jié)合得到K-FCM 方法，通過對腦膜瘤、肉瘤及膠質(zhì)瘤等多種類型的腦腫瘤MRI 圖像進(jìn)行識(shí)別與分割，證明相較于單純使用FCM 方法而言，K-FCM 表現(xiàn)出更好的準(zhǔn)確性。

SVM 和RF 屬于傳統(tǒng)機(jī)器學(xué)習(xí)中的監(jiān)督式學(xué)習(xí)方法。近年來，有關(guān)監(jiān)督學(xué)習(xí)的腦腫瘤識(shí)別研究大多數(shù)集中于該類算法所采用的最佳圖像特征集的選取，以期更好和更全面地反映腦腫瘤的特點(diǎn)。通常被選取為特征的參數(shù)包括腦腫瘤及周邊組織圖像信號(hào)強(qiáng)度的最大值、最小值、平均值、熵等一階統(tǒng)計(jì)特征[12-14]，灰度共生矩陣特征和灰度游程矩陣特征等二階紋理特征[13-16]，局部二值模式[12]、形狀特征[13-14，17]、小波變換特征[18]以及基于超像素提取的腦腫瘤區(qū)域特征（統(tǒng)計(jì)特性、紋理特性和結(jié)構(gòu)特性）[14-15]等。針對最優(yōu)圖像特征集的選取，目前主要的研究方向?yàn)椋海?）充分利用機(jī)器學(xué)習(xí)的優(yōu)勢，通過復(fù)雜高維的特征代替簡單低維的特征，以適應(yīng)腦腫瘤在MRI 圖像中的復(fù)雜表現(xiàn)；（2）設(shè)計(jì)獲取最佳特征集的算法，以削弱主觀經(jīng)驗(yàn)對特征集選取的影響[19]。

SVM 是根據(jù)統(tǒng)計(jì)學(xué)理論提出的一種機(jī)器學(xué)習(xí)分類方法，其主要原理是在高維空間中尋找最優(yōu)間隔超平面將不同的類別集合分開，因其在非線性和高維特征下的優(yōu)秀表現(xiàn)在圖像分割領(lǐng)域被廣泛應(yīng)用[20]。早期的研究多選取腦腫瘤的圖像信號(hào)強(qiáng)度值作為單一特征來對其進(jìn)行識(shí)別和分割，由于腦腫瘤在MRI 圖像中的復(fù)雜表現(xiàn)，這類研究往往難以得到理想的結(jié)果。Z?llner 等[21]利用患者腦膠質(zhì)瘤內(nèi)相對血容量與對側(cè)正常組織存在差異這一特點(diǎn)，選取相對血容量的最大比值作直方圖來提取MRI 圖像特征，隨后采用多種改進(jìn)的SVM 方法進(jìn)行識(shí)別與分割，結(jié)果顯示不論是低級別還是高級別的膠質(zhì)瘤，其識(shí)別準(zhǔn)確率均低于83%。后續(xù)的研究則通過挖掘腦腫瘤圖像信號(hào)強(qiáng)度的變化特點(diǎn)或綜合利用多種類型的特征，大幅度地提升了SVM 方法的準(zhǔn)確性。Bhaskarrao 等[22]通過選取伯克利小波變換特征，準(zhǔn)確地從良性膠質(zhì)瘤和惡性膠質(zhì)母細(xì)胞瘤的MRI 圖像中識(shí)別和分割出腦腫瘤組織，研究結(jié)果顯示綜合準(zhǔn)確率達(dá)到了90.54%。而當(dāng)作者綜合使用伯克利小波變換特征和灰度共生矩陣特征時(shí)，定位和分割腦腫瘤的準(zhǔn)確率上升到了96.51%。針對最佳特征集生成問題，有研究采用主成分分析法（principal component analysis，PCA）[12，18]、熵度量法[13]及元啟發(fā)式方法[23]等來選取最佳特征集。例如，Shil 等[24]設(shè)計(jì)了從腦腫瘤分割（Brain Tumors Segmentation，BRATS）2017 數(shù)據(jù)庫（https://www.smir.ch/）及BRATS 2013 數(shù)據(jù)庫中獲取的T2加權(quán)圖像中檢測和分割腫瘤的自動(dòng)化方案，通過對MRI 圖像進(jìn)行大津法二值化和K 均值聚類分割后再采用離散小波變換提取特征，利用PCA 方法降低特征維數(shù)以構(gòu)建最佳特征集用于SVM 分類，研究結(jié)果顯示該方案的靈敏度、特異度及準(zhǔn)確度均可達(dá)到99%以上。

RF 是一種簡單的分類技術(shù)，它能有效地在大數(shù)據(jù)集上運(yùn)行，能處理數(shù)千個(gè)輸入變量而不刪除變量。RF 算法實(shí)現(xiàn)簡單，能實(shí)現(xiàn)數(shù)據(jù)的并行處理且不易產(chǎn)生過擬合現(xiàn)象，這在醫(yī)學(xué)圖像處理中具有一定優(yōu)勢[1]。雖然RF 自身能估計(jì)分類的重要特征，但以簡單低維的特征集作為輸入數(shù)據(jù)仍然不能適應(yīng)腦腫瘤MRI圖像的復(fù)雜表現(xiàn)。例如Pinto 等[25]選取腦膠質(zhì)瘤MRI成像的T1加權(quán)圖像、T2加權(quán)圖像、T1對比圖像和液體衰減反轉(zhuǎn)恢復(fù)（fluid attenuated inversion recovery，F(xiàn)LAIR）成像結(jié)果中的強(qiáng)度特征以及通過圖像非線性轉(zhuǎn)換計(jì)算的基于上下文的特征，并利用RF 對損傷區(qū)域進(jìn)行識(shí)別與分割，獲取的完整腫瘤、腫瘤核心及增強(qiáng)區(qū)域的Dice 系數(shù)分別僅有83%、78%及73%。而Soltaninejad 等[16]采用與Pinto 等[25]不同的更復(fù)雜高維的特征類型——強(qiáng)度統(tǒng)計(jì)、文本和曲率特征對腦膠質(zhì)瘤FLAIR 成像結(jié)果進(jìn)行識(shí)別，取得的完整腫瘤的Dice 系數(shù)達(dá)到了88%，證明若RF 模型能獲取更適宜的復(fù)雜高維初始特征集表征腦腫瘤MRI 圖像，即使僅從單一MRI 模態(tài)中提取數(shù)據(jù)，也能夠得到更加魯棒的結(jié)果。對于最適宜特征集的生成，RF存在利用高維數(shù)據(jù)導(dǎo)致在未運(yùn)行決策樹的每個(gè)節(jié)點(diǎn)上產(chǎn)生冗余項(xiàng)的問題，這無疑會(huì)降低RF 對MRI 圖像腦腫瘤的識(shí)別準(zhǔn)確率并增加算法計(jì)算時(shí)間。針對該問題，Cho 等[26]采用最小冗余最大相關(guān)算法，對從腦膠質(zhì)瘤MRI 成像的三維數(shù)據(jù)中提取包括形狀特征、灰度共生矩陣特征及圖像強(qiáng)度大小區(qū)域矩陣特征等在內(nèi)的468 個(gè)放射特征進(jìn)行篩選，構(gòu)建能夠區(qū)分高級別和低級別膠質(zhì)瘤的最佳特征集。最后作者將對腦腫瘤的識(shí)別具有最顯著貢獻(xiàn)的4 個(gè)特征數(shù)據(jù)（形狀特征中的球比例和緊湊度、T1對比模態(tài)的灰度共生矩陣特征中的對比度以及FLAIR 成像結(jié)果的灰度共生矩陣特征中的相關(guān)性）輸入到SVM 和RF分類器模型中進(jìn)行訓(xùn)練和測試，結(jié)果顯示，SVM 和RF 對膠質(zhì)瘤級別的識(shí)別準(zhǔn)確率分別達(dá)到了88.66%及92.13%。

1.2 傳統(tǒng)機(jī)器學(xué)習(xí)方法在檢測腦腫瘤中的改進(jìn)

除了關(guān)注最佳圖像特征集的選取之外，還有另一方面的研究主要關(guān)注傳統(tǒng)機(jī)器學(xué)習(xí)方法的改進(jìn)。MRI 圖像腦腫瘤的大小、形狀和對比度的不規(guī)則性使得傳統(tǒng)FCM 聚類方法無法達(dá)到研究人員所期望的分割準(zhǔn)確度。因此，近年來研究人員不斷提出改進(jìn)的FCM 算法以提高M(jìn)RI 圖像腦腫瘤的識(shí)別與分割魯棒性。例如，Bal 等[17]提出粗糙模糊C 均值（roughfuzzy C-means，RFCM）算法有效地解決了重疊分區(qū)問題和自動(dòng)確定聚類質(zhì)心方法；Ren 等[27]提出加權(quán)核模糊聚類（weighted-kernel-fuzzy C-means，WKFCM）算法動(dòng)態(tài)調(diào)整數(shù)據(jù)集中不同類的權(quán)重，Shanmugapriya 等[28]采用多核技術(shù)改進(jìn)核模糊聚類（kernel-fuzzy C-means，KFCM）算法等，這些方法應(yīng)用于MRI 圖像腦腫瘤的識(shí)別與分割，相較于傳統(tǒng)FCM 至少提高了3%的分割準(zhǔn)確率。

SVM 方法是根據(jù)分離超平面的鄰近點(diǎn)來進(jìn)行分類的，因此需要較長的計(jì)算時(shí)間來解決由此形成的線性或二次問題[1]。在這種情況下，盡可能降低SVM 的時(shí)間復(fù)雜度可以提高SVM 方法在腦腫瘤識(shí)別中的實(shí)用性。例如，Vaishnavee 等[29]利用一種改進(jìn)的近端支持向量機(jī)（proximal support vector machine，PSVM）方法對來自馬薩諸塞州綜合醫(yī)院的網(wǎng)絡(luò)腦分割存儲(chǔ)庫的T1加權(quán)腦圖像進(jìn)行腫瘤的自動(dòng)檢測與分級。與SVM 不同的是，PSVM 方法將SVM 中基于建立最大間隔平面原理的不等式約束變?yōu)榱说仁郊s束，通過求解一次線性方程組問題代替了原來的求解凸二次規(guī)劃問題。計(jì)算結(jié)果顯示，SVM 方法的準(zhǔn)確度低于83%，而PSVM 方法的準(zhǔn)確度則超過了92%，同時(shí)具有更低的時(shí)間成本。除了對SVM 方法本身進(jìn)行改進(jìn)之外，也有研究通過減少輸入SVM 的數(shù)據(jù)量來縮短SVM 算法的運(yùn)行時(shí)間。例如Rehman 等[15]采用基于超像素的分割方法來對原發(fā)性的神經(jīng)膠質(zhì)瘤MRI圖像進(jìn)行處理。相較于像素水平的方法而言，超像素的數(shù)量在一張圖像中遠(yuǎn)小于像素的數(shù)量，可以很大程度上減少計(jì)算量，從而降低SVM 的計(jì)算成本。

RF 是通過對多棵決策樹的輸出實(shí)行等權(quán)投票得出分類結(jié)果，然而RF 的每棵決策樹對數(shù)據(jù)的分類能力不一，等權(quán)投票機(jī)制無疑會(huì)降低RF 對數(shù)據(jù)的分類準(zhǔn)確性。針對RF 投票機(jī)制存在的缺陷，Selvathi 等[30]提出利用AdaBoost 方法改善RF 投票機(jī)制的方法對BRATS 2013 數(shù)據(jù)庫的MRI 圖像腦腫瘤數(shù)據(jù)進(jìn)行分類，在訓(xùn)練過程中提高被錯(cuò)分的樣本權(quán)重，降低被正確分類的樣本權(quán)重，同時(shí)根據(jù)分類器的分類準(zhǔn)確率賦予其投票權(quán)重，使得每一決策樹的權(quán)重與其分類能力呈正相關(guān)，最后將強(qiáng)度特征和原圖利用曲線變換和小波變換后提取的多重分形維數(shù)特征作為RF 和改進(jìn)的RF 的輸入。結(jié)果顯示，改進(jìn)的RF 較原始RF 對MRI 圖像腦腫瘤的識(shí)別準(zhǔn)確率提高3%以上。

2 DL 方法檢測腦腫瘤

DL 是一種新興的機(jī)器學(xué)習(xí)方法，它通過挖掘圖像、文本或聲音等的底層特征信息并組合成抽象的和本質(zhì)的高層特征信息來解釋數(shù)據(jù)。DL 是當(dāng)前機(jī)器學(xué)習(xí)算法中的重點(diǎn)研究對象之一，而卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）則是DL 應(yīng)用于圖像處理領(lǐng)域的經(jīng)典模型。自AlexNet 出現(xiàn)以來，CNN 在圖像分類中具備了令人印象深刻的性能[31-33]。CNN 具有很強(qiáng)的模擬人腦學(xué)習(xí)的能力，會(huì)自動(dòng)選取最有利于圖像識(shí)別和分割的特征，避免了人為選取特征對分割結(jié)果的影響，因此在MRI 圖像腦腫瘤分割研究中占據(jù)著重要地位。Hussain 等[34]通過CNN方法從腦膠質(zhì)瘤患者的MRI 圖像中識(shí)別和分割腦腫瘤組織，結(jié)果顯示該方法在識(shí)別腫瘤核心和腫瘤增強(qiáng)核心方面的特異性系數(shù)均達(dá)到了82%以上。而Hoseini 等[35]同樣通過構(gòu)建CNN 方法利用BRATS 2015 數(shù)據(jù)庫和BRATS 2016 數(shù)據(jù)庫對MRI 圖像中的腦腫瘤進(jìn)行識(shí)別和分割，來自于這2 個(gè)數(shù)據(jù)庫的圖像分割結(jié)果的Dice 系數(shù)分別為89%和85%。

傳統(tǒng)CNN 的卷積網(wǎng)絡(luò)的末端是全連接層，故對圖像的識(shí)別是通過逐像素地抽取周圍像素對中心像素進(jìn)行分類來完成的[36]，這種計(jì)算方式的存儲(chǔ)量大，執(zhí)行效率低，限制了感知區(qū)域。同時(shí)，CNN 的池化層使得位置信息發(fā)生丟失，因而無法很好地給出物體的輪廓，也無法指出每個(gè)像素的具體歸屬，難以做到精確的分割[36]。針對這些問題，Long 等[36]提出了全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional networks，F(xiàn)CN）的方法，試圖從抽象的特征中恢復(fù)出每個(gè)像素所屬的類別（即實(shí)現(xiàn)語義分類）。與CNN 相比，F(xiàn)CN 有2 個(gè)明顯的優(yōu)點(diǎn)：一是可以接受任意大小的輸入圖像；二是避免了使用像素塊而帶來的重復(fù)存儲(chǔ)和計(jì)算卷積問題[36]。Shreyas 等[37]通過FCN 方法利用BRATS 2015數(shù)據(jù)庫，實(shí)現(xiàn)了220 例惡性腫瘤（包括星形細(xì)胞瘤和多形性膠質(zhì)母細(xì)胞瘤）在多模態(tài)MRI 圖像下的分割，展示了FCN 方法在準(zhǔn)確性和計(jì)算速度方面相比于傳統(tǒng)的CNN 更加具有優(yōu)勢。

然而，F(xiàn)CN 也有明顯的缺點(diǎn)：（1）上采樣倍數(shù)較小，導(dǎo)致上采樣的結(jié)果比較模糊和平滑，缺乏圖像細(xì)節(jié)；（2）忽略了通常的基于像素分類的分割方法中使用的空間規(guī)整步驟，缺乏空間一致性[38]。為了解決FCN 方法存在的問題，Ronneberger[39]提出了一種U-net 網(wǎng)絡(luò)，相較于FCN 減少了訓(xùn)練的次數(shù)，同時(shí)增加了上采樣層的層數(shù)，由此縮短了算法的計(jì)算時(shí)間，同時(shí)提高了輸出圖像的分辨力。由于MRI 腦腫瘤圖像表現(xiàn)為區(qū)分度低及邊界模糊的特點(diǎn)，為了提升對腦腫瘤圖像識(shí)別與分割的魯棒性，近年來研究人員基于U-net 網(wǎng)絡(luò)提出了許多擴(kuò)展版[40-43]。例如，Badrinarayanan 等[40]提出了一種SegNet 構(gòu)架，基于此，Iqbal 等[41]進(jìn)一步發(fā)展出IntNet、SkipNet 和SENet 3個(gè)構(gòu)架（如圖2 所示），并比較了上述構(gòu)架對MRI 圖像中腦腫瘤的檢測效果，實(shí)驗(yàn)數(shù)據(jù)全部來自BRATS 2015 數(shù)據(jù)庫中的274 例膠質(zhì)母細(xì)胞瘤患者（包括良性54 例和惡性220 例）。結(jié)果證明，3 種網(wǎng)絡(luò)結(jié)構(gòu)在特異性評估系數(shù)下存在明顯差異，其中SENet 構(gòu)架在識(shí)別腫瘤核心區(qū)域、活性區(qū)域及腫瘤增強(qiáng)核心方面的特異性系數(shù)均達(dá)到了83%以上，而IntNet 和SkipNet 的特異性系數(shù)則集中在60%～73%，其建議在不同的層使用SE 板塊結(jié)構(gòu)或幾種構(gòu)架的加權(quán)組合有可能得到更理想的結(jié)果。Chen 等[42]提出的密集初始資源網(wǎng)結(jié)構(gòu)（dense-resinception net，DRINet）實(shí)現(xiàn)了對MRI 圖像上的多級腦腫瘤分割，結(jié)果顯示DRInet在識(shí)別腫瘤核心和增強(qiáng)核心方面Dice 系數(shù)相較于U-net 有所提高，其中DRInet 的Dice 系數(shù)分別達(dá)到了73.21%和64.94%，而U-net 構(gòu)架的Dice 系數(shù)分別為71.30%和63.05%。

圖2 SkipNet、IntNet 和SENet 結(jié)構(gòu)示意圖[41]

3 FCM、SVM、RF 和DL 4 種方法的比較

4 種機(jī)器學(xué)習(xí)方法各自的優(yōu)缺點(diǎn)見表1。從表1可以得出當(dāng)實(shí)驗(yàn)數(shù)據(jù)樣本量較小的情況下，傳統(tǒng)機(jī)器學(xué)習(xí)比DL 可得到較為魯棒的結(jié)果，并且可避免DL 較長的訓(xùn)練時(shí)間。而擁有海量數(shù)據(jù)的研究采取DL 方法可得到較高的識(shí)別和分割準(zhǔn)確率。隨著時(shí)間的推移，具體某一種腦腫瘤數(shù)據(jù)量不斷積累，這將推動(dòng)DL 在MRI 圖像腦腫瘤識(shí)別與分割中的應(yīng)用，從而實(shí)現(xiàn)獲取更為理想的分割結(jié)果。傳統(tǒng)機(jī)器學(xué)習(xí)方法中，特征維數(shù)影響分類器的分類性能，SVM 較RF更適用于較低維度特征數(shù)據(jù)，具體研究中應(yīng)根據(jù)提取的特征維數(shù)選擇合適的分類器。而對于FCM，適合用于無法獲取訓(xùn)練樣本的情況。

表1 FCM、SVM、RF 和DL 方法的特點(diǎn)比較

4 結(jié)語

盡管現(xiàn)階段機(jī)器學(xué)習(xí)在腦腫瘤識(shí)別和分割研究中已有了許多應(yīng)用，但是仍然面臨著不少挑戰(zhàn)：（1）在MRI 圖像中，惡性腦腫瘤的邊界模糊、形狀和大小不一，使用形狀、灰度等構(gòu)成的簡單低維特征作為傳統(tǒng)機(jī)器學(xué)習(xí)方法的輸入數(shù)據(jù)難以獲得理想的結(jié)果；而高維特征則會(huì)導(dǎo)致數(shù)據(jù)冗余，增加傳統(tǒng)機(jī)器學(xué)習(xí)算法的復(fù)雜度和信息處理時(shí)間。（2）對于DL 方法而言，構(gòu)造更深層次的網(wǎng)絡(luò)可以獲取腦腫瘤MRI 圖像中更豐富的信息，但是這將進(jìn)一步放大神經(jīng)網(wǎng)絡(luò)費(fèi)時(shí)且極度需要海量數(shù)據(jù)的問題。

未來應(yīng)用機(jī)器學(xué)習(xí)進(jìn)行腦腫瘤識(shí)別和分割的研究應(yīng)向更加多模態(tài)、高自動(dòng)度、低復(fù)雜度、高魯棒性和自適應(yīng)性以及深度挖掘圖像信息的方向發(fā)展，具體如下：（1）應(yīng)用多模態(tài)MRI 數(shù)據(jù)，全面反映腦腫瘤的圖像特征；（2）減少人工干預(yù)，實(shí)現(xiàn)全自動(dòng)的圖像特征集構(gòu)建或選??；（3）減少計(jì)算成本，實(shí)現(xiàn)算法復(fù)雜度的降低和優(yōu)化；（4）開發(fā)新的算法，提高對不同種類腦腫瘤識(shí)別和分割的魯棒性與自適應(yīng)性；（5）優(yōu)化人工神經(jīng)網(wǎng)絡(luò)構(gòu)架，在獲取圖像更深層次信息與降低時(shí)間復(fù)雜度方面達(dá)到平衡。隨著計(jì)算機(jī)性能的不斷提升以及數(shù)據(jù)信息的不斷豐富，機(jī)器學(xué)習(xí)方法必將進(jìn)一步發(fā)展，從而大大地推進(jìn)臨床腦腫瘤診療技術(shù)的進(jìn)步。