聞 亮，于 躍，梁國標*，李貞妮

（1.北部戰(zhàn)區(qū)總醫(yī)院神經(jīng)外科，沈陽 110016；2.中國醫(yī)科大學，沈陽 110122；3.東北大學信息科學與工程學院，沈陽 110819）

0 引言

大腦是人類身體中最重要的器官，而腦部腫瘤是在顱腔內(nèi)生長的異常組織，又稱顱內(nèi)腫瘤、腦癌。腦部腫瘤相比于其他器官的腫瘤來說小得多，其中膠質(zhì)瘤占所有腦部腫瘤發(fā)病率的一半以上，死亡比例超過2.4%[1]。根據(jù)膠質(zhì)瘤的性質(zhì)，可以將其分為高級別膠質(zhì)瘤（high-grade glioma，HGG）和低級別膠質(zhì)瘤（low-grade glioma，LGG）。由于HGG 容易變異，常常會被稱為惡性腫瘤，其死亡率較高，患者痊愈后恢復效果也比較差。而LGG 則不一定為惡性腫瘤，但其在其他因素影響下即使治療后仍然可以演變?yōu)閻盒阅[瘤。因此，膠質(zhì)瘤是腦部腫瘤治療領(lǐng)域的研究重點。在臨床中越早發(fā)現(xiàn)腦部腫瘤，患者就越有希望被成功治愈。Jiang 等[2]論述了世界衛(wèi)生組織中樞神經(jīng)系統(tǒng)（central nervous system，CNS）腫瘤分類標準對于臨床預后判斷的價值與優(yōu)勢，這說明如果能夠更早發(fā)現(xiàn)患者的腦部腫瘤并對其級別進行預測，對患者的后續(xù)診療以及恢復有很大幫助。

目前確定腦膠質(zhì)瘤的等級仍需要對患者腦部腫瘤區(qū)域進行活體生理切片，腦組織大切片的制作在神經(jīng)病理診斷中有著重要應(yīng)用，可用切片檢測結(jié)果來診斷HGG 或LGG，但是對于HGG 患者，組織生理切片對其生命存在一定威脅。因此，基于MRI圖像對腦腫瘤的級別進行預測具有重要意義。然而，MRI 圖像邊界模糊，腦腫瘤區(qū)域占比較少，對腫瘤進行手動分割進而預測其級別難度很大且耗時耗力。

在臨床診斷中，多模態(tài)MRI 對腦膠質(zhì)瘤有著較高的診斷符合率，因此可以采用多模態(tài)MRI 序列（FLAIR、T1、T2、及T1CE等）對腦膠質(zhì)瘤進行多參數(shù)成像。常規(guī)MRI 平掃和增強檢查難以實現(xiàn)腦膠質(zhì)瘤的診斷和分級，而基于其病理學基礎(chǔ)的功能MRI 檢查方法能夠提供包括微環(huán)境、微血管、細胞增殖等更加豐富的信息，可以有效提高腦膠質(zhì)瘤的臨床診斷效能[3]。不同MRI 序列針對的病理變化區(qū)域也不同[4]，T2模態(tài)圖像可突出顯示腦膠質(zhì)瘤的水腫部分，F(xiàn)LAIR模態(tài)圖像有助于區(qū)分腦膠質(zhì)瘤水腫和腦脊液，而T1和T1CE模態(tài)圖像則能明顯觀察到高信號腦膠質(zhì)瘤的核心。

隨著“互聯(lián)網(wǎng)+”概念的興起，人工智能已經(jīng)滲透到人類生活的方方面面。深度學習算法因其特有的屬性，在很多領(lǐng)域突破了傳統(tǒng)機器學習算法的瓶頸，特別是在醫(yī)療影像識別領(lǐng)域展現(xiàn)了其強大的識別能力[5-6]。隨著深度學習算法的不斷發(fā)展，其在醫(yī)療領(lǐng)域的應(yīng)用也越來越多，例如精確切割病灶、預測心腦血管疾病等[7]。國內(nèi)外也有許多專家學者開始研究腦腫瘤患者MRI 圖像的分割，例如卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）和支持向量機（support vector machine，SVM）結(jié)合的腦腫瘤分割方法[8-9]、基于U-Net 的分割方法[10]、基于雙流解碼網(wǎng)絡(luò)（dualsteam decoding U-net，DDU-net）的分割方法[11]、多任務(wù)深度監(jiān)督注意力R2U 分割方法[12]以及基于多重注意力機制的分割方法[13]等。這些方法都是對MRI圖像進行分割，標記感興趣的腫瘤區(qū)域，但不具備完成腫瘤檢測識別的功能。隨著網(wǎng)絡(luò)深度的增加，近年來圖像分類算法也層出不窮，例如K 最鄰近算法（K-nearest neighbors，KNN）、反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）、視覺幾何群網(wǎng)絡(luò)（visual geometry group network，VGG）等，但是基于三維MRI 圖像進行分類的難度很大。

針對以上問題，本研究基于深度學習算法提出一種腦腫瘤分級預測模型（brain tumor groding model，BTGM），既可以對輸入的MRI 圖像進行腦腫瘤的分割處理，為醫(yī)生提供一個直觀的病態(tài)分析，又可以對分割后的腫瘤圖像進行分級預測，進一步判斷腦膠質(zhì)瘤的等級，從而為醫(yī)師對患者的后續(xù)治療提供輔助診斷。因為MRI 具有無創(chuàng)性、多模式的優(yōu)點，人們期望用醫(yī)學成像來探知人體內(nèi)是否存在隱藏疾病[14]，若可以在病情萌芽階段及時發(fā)現(xiàn)，則能夠大大提升患者的生存率。因此，本研究提出的BTGM 具有重要的理論價值和應(yīng)用前景。

1 BTGM 建模

基于深度學習的BTGM 結(jié)構(gòu)如圖1 所示。本模型由腦腫瘤分割模型、腦腫瘤分類模型及患者術(shù)后生存周期模型3 個部分組成，可以基于對MRI 圖像中腦腫瘤的分割與提取來完成腦腫瘤等級的分級預測，同時通過多項式擬合法實現(xiàn)對患者術(shù)后生存周期的預測。

圖1 基于深度學習的BTGM 結(jié)構(gòu)圖

本模型基于BraTS 2019 數(shù)據(jù)集，通過設(shè)計、改進損失函數(shù)來訓練分割網(wǎng)絡(luò)并獲得最優(yōu)解，通過數(shù)據(jù)集提供的Dice 函數(shù)、PPV 函數(shù)及Sensitivity 函數(shù)來評價模型的分割效果。以分割模型結(jié)果為基礎(chǔ)，基于殘差網(wǎng)絡(luò)設(shè)計BTGM，并基于患者的腦膠質(zhì)瘤級別、術(shù)后生存周期和患者年齡等信息，利用多項式擬合方法對患者預后的效果進行預測，最后對預測結(jié)果進行綜合評價。

1.1 腦腫瘤分割模型的設(shè)計

1.1.1 數(shù)據(jù)集選擇

本研究選用MICCAI BraTS 2019[15]多模態(tài)腦膠質(zhì)瘤分割挑戰(zhàn)賽數(shù)據(jù)庫提供的臨床數(shù)據(jù)進行訓練和驗證。其中，BraTS 2019 數(shù)據(jù)集由259 例HGG 病例和76例LGG 病例構(gòu)成，所有腦影像均帶有專家手動分割的真值標簽，每個病例都包括FLAIR、T1、T2、T1CE4 個模態(tài)，影像的三維尺寸是155×240×240 像素。多模態(tài)MRI腦腫瘤圖像如圖2 所示。

圖2 多模態(tài)MRI 腦腫瘤圖像

根據(jù)實驗需要，本研究將對3 個區(qū)域的分割算法進行探討。BraTS 2019 數(shù)據(jù)集規(guī)定，綠色為浮腫（peritumoral edema，ED）區(qū)域（標簽2）、黃色為增強腫瘤（enhancing tumor，ET）區(qū)域（標簽4）、紅色為壞疽（non-enhancingtumor，NET）區(qū)域（標簽1）、黑色為背景區(qū)域（標簽0），多模態(tài)MRI 圖像分割后的輸出圖像如圖3 所示。ED、ET、NET 3 個區(qū)域經(jīng)過嵌套就是最終提取的感興趣區(qū)域，即全部腫瘤（whole tumor，WT）區(qū)域（WT=ED+ET+NET）、腫瘤核心（tumor core，TC）區(qū)域（TC=ET+ENT）和增強腫瘤區(qū)域ET。

圖3 多模態(tài)MRI 圖像分割后的輸出圖像

1.1.2 數(shù)據(jù)預處理

本研究提出的BTGM基于U-Net 二維網(wǎng)絡(luò)。由于直接基于三維MRI 圖像進行分級預測對算力需求較高，本研究為了降低計算量并提高處理速度，首先將三維MRI 數(shù)據(jù)進行圖像預處理轉(zhuǎn)變?yōu)槎S數(shù)據(jù)，同時在對圖像預處理的過程中通過幾何變換（隨機角度旋轉(zhuǎn)、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)）實現(xiàn)數(shù)據(jù)增強，提高模型的泛化性。因此，在訓練模型前需要對三維MRI 圖像進行預處理從而提高圖像的分割效果[16]，具體分為以下3 個步驟：

（1）對各個模態(tài)進行標準化；

（2）切割各模態(tài)數(shù)據(jù)集和真實值（ground truth，GT）數(shù)據(jù)集；

（3）將數(shù)據(jù)切割成切片，合并每個模態(tài)的部分并保存為“Numpy 數(shù)組”。

由于FLAIR、T1、T2、T1CE4 個序列屬于不同模態(tài)的圖像，具有明顯的特征對比度，所以采用Z-score方式對每個模態(tài)圖像進行標準化，即將每個模態(tài)的數(shù)據(jù)標準化為零均值和單位標準差。經(jīng)過處理的數(shù)據(jù)均值為0，標準差為1，其換算公式為

式中，x 為原始數(shù)據(jù)；xˉ為原始數(shù)據(jù)的均值；σ 為原始數(shù)據(jù)的標準差；X*為標準化的數(shù)據(jù)，高于平均水平的數(shù)據(jù)獲得標準化的正分數(shù)，低于平均水平的數(shù)據(jù)獲得標準化的負分數(shù)。在此基礎(chǔ)上，利用normalize 函數(shù)進行數(shù)據(jù)歸一化，去掉最高分和最低分數(shù)據(jù)，得到標準差較低的公平數(shù)據(jù)集。

此外，BraTS 數(shù)據(jù)集中邊緣區(qū)域大多是黑色無效區(qū)域圖像，因此剪裁掉周邊非感興趣區(qū)域?qū)μ岣哒w識別度大有幫助。本研究基于最小矩陣法將MRI 圖像中周邊的黑色區(qū)域剪裁掉，只留下腦部區(qū)域，這樣最終分割出來的圖像中大部分都是腦部區(qū)域及腫瘤區(qū)域，觀察更直觀、更清晰，數(shù)據(jù)預處理前后的效果對比如圖4 所示。

圖4 數(shù)據(jù)預處理前后的效果

由于MRI 圖像數(shù)據(jù)是三維的，所以需要切成二維數(shù)據(jù)才能輸入U-Net。以50%概率將切片中無病灶區(qū)域舍棄，緩解數(shù)據(jù)類別不平衡的問題，最后將4 個模態(tài)保存至4 個通道，并剪裁成160×160 像素的大小，最終Numpy 數(shù)組保存的“shape”是（160，160，4）。

1.1.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

BTGM 中的腦腫瘤分割網(wǎng)絡(luò)包括4 層下采樣和4 層上采樣，每層下采樣部分包括2 個卷積核為3×3的卷積操作，并通過ReLU 激活函數(shù)激活有效信號，再進行一次卷積核為2×2 的最大池化操作。經(jīng)過4層下采樣操作可以有效提取腦腫瘤的特征信息，而上采樣部分與下采樣相反，可以還原下采樣得到的有效信息，并且上采樣過后進行了跳躍鏈接，這樣的疊操作使得信息提取更加充分。本研究輸入通道為4，每一通道對應(yīng)原始MRI 圖像的T1、T2、T1CE和FLAIR 圖像，相關(guān)的3 個感興趣特征區(qū)域ED、ET 和NET 分別用綠色、黃色和紅色標記。

1.1.4 損失函數(shù)設(shè)計

為了避免數(shù)據(jù)不均衡，本研究應(yīng)用Dice 損失函數(shù)[17]。Dice 損失函數(shù)是通過計算Dice 系數(shù)得出的，二者之和為1。Dice 系數(shù)是一種集合相似度度量函數(shù)，通常用于計算2 個樣本的相似度，其取值范圍為[0，1]，計算公式為

式中，X 表示GT 分割圖像；Y 表示預測分割圖像；|X∩Y|表示X 和Y 交集中元素的個數(shù)；|X|和|Y|分別表示X 集合和Y 集合中各自元素的個數(shù)。分子的系數(shù)是2，是因為分母中重復計算了X 和Y 的公共元素。

Dice 損失函數(shù)的計算公式如下[17]：

考慮到Dice 損失函數(shù)比較適合高度不均勻的樣本，因此在設(shè)計本研究損失函數(shù)時，為了提高訓練的穩(wěn)定性，引入二分類損失函數(shù)（binary cross entropy loss，BCELoss），并使用Sigmoid 函數(shù)將數(shù)據(jù)映射到（0，1）。最終設(shè)計的損失函數(shù)Loss 計算公式如下：

二分類損失函數(shù)BCELoss 公式如下：

式中，y 為GT 分割圖像；x 為模型輸出值；n 為樣本的總數(shù)。

1.1.5 訓練結(jié)果及模型評估標準

本研究提出的BTGM 基于RTX2080ti 顯卡，使用Linux 系統(tǒng)，配合深度學習框架PyTorch 和conda環(huán)境管理系統(tǒng)進行訓練。訓練數(shù)據(jù)為BraTS 2019 提供的官方數(shù)據(jù)集，共335 例病例（259 例HGG+76 例LGG）。本研究按照70%訓練、20%驗證、10%測試的比例劃分數(shù)據(jù)集。首先對數(shù)據(jù)集進行預處理，對三維MRI 圖像進行降維，并將其保存為數(shù)組中的Numpy數(shù)據(jù)。然后進入conda 環(huán)境，設(shè)置歷元大小、學習速率，并使用Adam 優(yōu)化算法[18]減少內(nèi)存占用。

根據(jù)BraTS 官網(wǎng)給出的3 個判斷依據(jù)（分別為Dice、Sensitivity、PPV 3 個函數(shù)）對算法模型進行評估。其中3 個函數(shù)是由專業(yè)醫(yī)師繪制的3 個腫瘤區(qū)域預測結(jié)果P{0，1}的二值圖和真值標號T{0，1}的二值圖。Dice 函數(shù)計算2 個分割區(qū)域的真實正樣本數(shù)量標準化值，即預測病變區(qū)域中有多少像素區(qū)域是正確預測的，其計算公式如下：

式中，Pi表示預測分割圖像的像素集合；Ti表示GT分割圖像的像素集合；i 表示第i 種腫瘤區(qū)域。

Sensitivity 函數(shù)代表實際陽性樣本率，即將預測為腫瘤區(qū)域的陽性樣本數(shù)據(jù)與實際分割結(jié)果為陽性樣本的數(shù)據(jù)進行比較，其計算公式如下：

PPV 函數(shù)用于將腫瘤區(qū)域的實際樣本、全樣本數(shù)據(jù)與實際分割結(jié)果進行比較，其計算公式如下：

式中，TP 為真陽性的數(shù)據(jù)，即預測結(jié)果與GT 均為正樣本（腫瘤區(qū)域）的數(shù)據(jù)；FP 為假陽性的數(shù)據(jù)，即預測結(jié)果為負樣本（背景）而GT 為正樣本的數(shù)據(jù)；PPV表示預測為正的樣本中預測正確的數(shù)據(jù)所占比例。

基于上述判斷依據(jù)，通過對圖像分割后自動分割的腫瘤面積與真實值手動分割面積的占比重疊大小來評價模型的好壞。

1.2 BTGM 設(shè)計

基于分割后得到的RGB 圖像，設(shè)計以Resnet34[19]殘差網(wǎng)絡(luò)為基礎(chǔ)的分類模型學習HGG 和LGG 的特征，并對腦腫瘤的級別進行預測。由于訓練中存在過度擬合的問題，本研究在BraTS 2019 數(shù)據(jù)集的基礎(chǔ)上增加了BraTS 2018 數(shù)據(jù)集中的部分數(shù)據(jù)。

本研究設(shè)計的分類模型分為2 個部分，一個是向下采樣模塊，一個是正常卷積模塊。正常卷積模型包含2 個卷積層、2 個正則層和2 個連接前向傳播函數(shù)的ReLU 激活函數(shù)。由于Resnet 殘差塊的輸出表示為y=F（x）+x，因此存在一個單獨的res 變量來存儲初始輸入張量x。

下采樣模塊的結(jié)構(gòu)包括2 個連續(xù)的卷積層，其中第一層步長為2，殘差連接部分需要使用步長為2 的1×1 卷積進行下采樣。同時，模型設(shè)計通過增加通道數(shù)以匹配輸出特征映射、相應(yīng)的正則化函數(shù)和ReLU 函數(shù)激活特征值。由于分割后得到的是RGB圖像，所以通道數(shù)為3，輸出為一維張量，卷積層后連接池化層的池化核為3×3，基于前向傳播函數(shù)將2 個模塊連接起來構(gòu)成分類模型的網(wǎng)絡(luò)結(jié)構(gòu)。

經(jīng)過腦腫瘤分割網(wǎng)絡(luò)后的RGB 圖像大小為160×160 像素，需要用transpose 進行圖像擴展和tensor等預處理，預處理后的圖像大小為224×224 像素。訓練過程中，數(shù)據(jù)集遍歷10 次，依次輸入32 張圖片。初始學習率為0.001，每次學習后學習率提高10 倍。使用交叉熵損失函數(shù)和Adam 優(yōu)化器，衰減策略設(shè)定為固定步長衰減，每2 輪學習速率衰減到原來的一半。由于設(shè)計的網(wǎng)絡(luò)模型中Resnet 殘差部分中的深度卷積會引起梯度爆炸問題，因此采用optimizer函數(shù)消除梯度。

由于分割圖像中腦腫瘤大小不一致，并且不是所有圖像都有3 個特征區(qū)域，如果只訓練具有所有區(qū)域特征的圖像，則會出現(xiàn)過擬合現(xiàn)象，因此本研究使用了數(shù)據(jù)增強。首先將含有腦腫瘤的圖像放入數(shù)據(jù)集，然后將具有3 個完整特征區(qū)域的腫瘤圖像導入數(shù)據(jù)集。通過上述方式，腦腫瘤分割網(wǎng)絡(luò)可以學習到與識別腫瘤接近區(qū)域的特征，使模型更加成熟，分類預測效果更好。由于本研究處理的腦腫瘤分為HGG 和LGG 2 個級別，因此模型識別只有2 種情況，所以本研究通過大量的訓練圖像數(shù)據(jù)進行驗證，將識別出腫瘤分級正確的圖像數(shù)量和所有參與驗證的圖像數(shù)量的比值定義為分類模型的準確率，并以此作為評價模型的標準。準確率越高，該分類模型對腫瘤分級的預測效果越好。

2 結(jié)果

2.1 分割模型的分割效果評價

從Dice、Sensitivity 和PPV 3 個方面來評價分割效果，具體結(jié)果詳見表1。

表1 分割效果

從分割效果可以看出，全部腫瘤區(qū)域的分割準確率可以達到0.891，所有腦腫瘤圖像都得到了較好的分割。但由于對MRI 圖像進行了降維處理，損失了一部分圖像信息，導致BTGM 模型對腦腫瘤分割的準確率下降，與數(shù)據(jù)庫中的較優(yōu)算法間存在差距。尤其對于存在腦腫瘤損傷和強化的區(qū)域，分割的準確率較低，其主要原因是腦腫瘤壞死和強化區(qū)域較為分散，使得全腦圖像的提取效果不佳。但是本研究提出的模型在增加腦腫瘤分割環(huán)節(jié)后，可以有效改善對腦腫瘤進行分級預測的效果，且可以為醫(yī)師提供一個直觀的病態(tài)分析，幫助其對患者的后續(xù)治療提供輔助診斷，具有一定的應(yīng)用價值。

2.2 分類模型的預測能力評價

本研究提出的分類模型增加了網(wǎng)絡(luò)深度，可以使低維特征更好地映射到高維特征。對于BraTS 2019數(shù)據(jù)集中的HGG 和LGG 病例，本研究對預測模型進行分組測試。首先對分割后的腦腫瘤圖像進行了篩選，保留了1 000 張WT 區(qū)域、TC 區(qū)域、ET 區(qū)域圖像，并將圖像分成10 組來評價模型的腦腫瘤分級預測能力。各組圖像中HGG 和LGG 的病例隨機選取，即每組包含不同人和不同等級腦腫瘤的圖像。實驗結(jié)果表明，其中有8 組分級預測準確率為100%，其余2 組準確率均在95%以上，平均準確率可以達到98%，與直接使用殘差網(wǎng)絡(luò)的分類效果相比，準確率提高了約10%，分級預測效果良好。分析可知，由于大部分HGG 和LGG 的差異主要在ET 區(qū)域，所以學習權(quán)值較高。而另外一小部分的LGG 和HGG 病例在ET 區(qū)域差異不大，但在TC 區(qū)域差異明顯，這種情況可能會導致腦腫瘤分級的結(jié)果出現(xiàn)一些誤差。

2.3 患者術(shù)后生存周期預測模型的預測能力評價

基于多項式分析法對患者術(shù)后生存周期進行預測，利用和方差（sum of squared error，SSE）、R 平方系數(shù)對擬合結(jié)果進行評價。初次擬合的線性模型多項式如下：

式中，Age 代表患者年齡。R 平方系數(shù)=0.190 7，SSE=1.302×107。

為了進一步減小擬合誤差，本研究對同齡數(shù)據(jù)進行均值處理。實驗結(jié)果表明，均值處理后得到的SSE約為初次擬合的1/10，R 平方系數(shù)更接近于1，術(shù)后生存周期預測模型擬合效果更好，模型能力更穩(wěn)健，具有更好的泛化能力。

3 討論

本研究針對腦腫瘤分割和腦腫瘤分級預測問題，提出了一種基于深度學習的BTGM。試驗結(jié)果表明，腦腫瘤分割模型的腫瘤區(qū)域平均預測準確率達到0.827。該模型對TC 區(qū)域的分割精度達到0.848，未來可在提高其準確率方面作出進一步的改進。腦腫瘤分類模型的分類效果較好，多組測量準確率穩(wěn)定在98%左右，可以給予醫(yī)生更準確的指導和輔助判斷。

在腦腫瘤分割模型中，需要對三維MRI 數(shù)據(jù)進行降維處理，因此在三維到二維圖像的變換過程中可能存在信息丟失，導致模型分割精度下降。在下一階段研究中，考慮將MRI 三維數(shù)據(jù)直接輸入神經(jīng)網(wǎng)絡(luò)進行訓練，以減少信息丟失，進一步提高訓練效果。另外，雖然本研究提出的分割模型具有較高的識別度，但數(shù)據(jù)集的增強需要人工完成。下一步的主要研究方向是使分割模型網(wǎng)絡(luò)更有針對性地找到腦內(nèi)最大腫瘤區(qū)域的殘差位置，從而進一步提高腦腫瘤分級的識別精度。

本文提出的模型能夠在術(shù)前對患者進行腦腫瘤分割和分級預測，但是腦腫瘤患者術(shù)后容易出現(xiàn)并發(fā)癥，對患者術(shù)后進行生存周期的預測能夠為針對性的護理提供參考，從而能夠有效地預防腦水腫、呼吸道感染、泌尿系統(tǒng)感染等的發(fā)生。因此，通過進一步對腦腫瘤患者術(shù)后的生存周期進行預測，可以進一步指導患者家屬進行及時有效的護理配合，預防并發(fā)癥的出現(xiàn)，延緩患者術(shù)后的生存周期。

4 結(jié)語

針對基于MRI 圖像對腦膠質(zhì)瘤分級困難的問題，本研究設(shè)計并實現(xiàn)了基于深度學習的BTGM。該模型由腦腫瘤分割模型、腦腫瘤分類模型及患者術(shù)后生存周期預測模型3 個部分組成。腦腫瘤分割模型基于醫(yī)學MRI 圖像，提取深度學習特征并完成腦腫瘤的分割提取。然后，基于監(jiān)督學習方法對分割后的腫瘤圖像進行分級預測，并結(jié)合患者年齡等生理數(shù)據(jù)，預測術(shù)后腦腫瘤患者的生存周期。結(jié)果表明，本研究提出的腦腫瘤分類模型對HGG 和LGG 的預測準確率可以達到98%，能夠很好地輔助醫(yī)師在患者發(fā)病早期作出腦腫瘤級別的判斷，對患者的腫瘤進行早期干預，延長患者的生命。

本研究提出的BTGM 基于U-Net 二維網(wǎng)絡(luò)，需要將三維MRI 數(shù)據(jù)預處理為二維數(shù)據(jù)，這個過程中不可避免會有一定的圖像信息丟失，導致BTGM 中的分割部分準確率下降。且目前的研究中，將腦腫瘤只分成了HGG 和LGG 2 個級別，不同切片間可能存在高相關(guān)性，模型泛化性能在不同數(shù)據(jù)集間可能會存在較大差異。未來的研究中，將直接構(gòu)建基于三維MRI 數(shù)據(jù)的腦腫瘤分割模型，并在此基礎(chǔ)上改進殘差網(wǎng)絡(luò)構(gòu)建BTGM，提高腦腫瘤分級預測的精度，同時考慮將本院實際病例增加到數(shù)據(jù)集當中進行訓練，進一步提高模型的泛化能力，并將腦腫瘤的級別擴展到世界衛(wèi)生組織提出的四級分類[20]。