在磁共振成像（MRI）中，采用深度学习算法利用U-Net进行脑肿瘤分类与分割。InceptionV3、DenseNet201和Inception-ResNet-v2在肿瘤类型与分级预测中表现出优异的准确率。GPT-4.0增强了混合模型，用于自动生成医学报告及辅助诊断。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
在磁共振成像（MRI）中，采用深度学习算法利用U-Net进行脑肿瘤分类与分割。InceptionV3、DenseNet201和Inception-ResNet-v2在肿瘤类型与分级预测中表现出优异的准确率。GPT-4.0增强了混合模型，用于自动生成医学报告及辅助诊断。
脑肿瘤的早期诊断对于优化患者的预后和治疗方案选择至关重要。准确的脑肿瘤分割与分类是制定专科治疗技术的基础。随着磁共振成像（MRI）在脑部诊断中的应用日益广泛，以及计算机视觉技术的不断进步，基于MRI扫描建立高效且准确的肿瘤识别与分类模型仍面临挑战。为解决这一问题，作者提出了一种基于深度学习的技术，用于对来自不同数据集的脑肿瘤进行分割与分类。图像预处理阶段采用了九种数据增强方法以提升模型性能。MRI图像的分割通过U-Net模型实现。
基于 InceptionV3 和 DenseNet201 构建的分类模型可预测肿瘤的存在，并将其分为胶质瘤、脑膜瘤和垂体瘤。在肿瘤分类任务中，InceptionV3 的准确率达到 99.15%，高于 DenseNet201 的 98.75%。此外，基于 Inception-ResNet-v2，还通过聚类方法将肿瘤进一步分为高级别胶质瘤（HGG）和低级别胶质瘤（LGG）。Inception-ResNet-v2 能以 96.64% 的准确率识别肿瘤分级（1-4级）。该自主系统将混合模型与 GPT-4.0 相结合，用于自动生成报告。因此，这一新型框架在临床上具有应用潜力，可用于自动识别和区分由 MRI 扫描获取的输入图像中的脑肿瘤。
脑肿瘤可能显著影响患者及其家庭的生活质量，每年在美国接受治疗的所有癌症病例中，约有1%为脑肿瘤1,2,3。胶质瘤是美国人群中最常见的原发性脑肿瘤，发病率为每10万人中6.5例。该肿瘤起源于星形胶质细胞、少突胶质细胞和室管膜细胞，这些胶质细胞为脑内神经元提供营养支持。根据肿瘤所累及的胶质细胞类型及其基因特征，胶质瘤被分为不同类型，而基因特征目前可用于预测肿瘤随时间推移的发展行为以及最可能有效的治疗方案4,5,6。胶质瘤可因肿瘤位置和生长速度的不同而影响脑功能，甚至导致死亡。脑膜瘤占所有原发性脑肿瘤的15%-20%。在常规筛查中，其发生率为每100人中有1例。脑膜瘤被认为起源于蛛网膜帽细胞。根据其位置不同，脑膜瘤的生物学行为表现广泛，从良性到高度侵袭性不等。该肿瘤可表现为多种不同症状，但大多数患者无明显症状。
相关症状和体征主要由邻近结构受压引起，因此患者还可能出现运动性癫痫发作、感觉障碍、言语障碍、嗅觉丧失等多种症状。垂体瘤是继胶质瘤和脑膜瘤之后第三常见的原发性颅内肿瘤，约占所有切除的原发性脑肿瘤的10%。其....
访问受限。请登录或开始试用以查看此内容。
数据集描述与探索性分析
该数据集由多个来源组成，以提高模型的可靠性和准确性。合并后的数据集（Merged_dataset）包含来自数据集A（3,054张）、数据集B（3,264张）、数据集C（10,000张）和数据集D（4,292张）的共计20,620张图像。此外，还加入了来自Brad数据集的1,425张图像，用于胶质瘤肿瘤分级（HGG、LGG）。这一多样化的数据集将有助于提升模型的泛化能力，减少偏差，并改善模型性能。大规模的数据集支持全面的评估，从而在分类任务的实际应用中更有可能获得准确的预测结果。
本研究使用了两组不同的数据集。第一组数据于2005年至2010年间采集自中国天津医科大学的南方医院和总医院，包含233名肿瘤患者（包括胶质瘤II级和III级）的T1加权增强图像。该数据集提供了肿瘤类别和总体数据分析的全面分布。对于高级别胶质瘤（HGG），共有1,050张图像；对于低级别胶质瘤（LGG），共有375张图像，表明研究更侧重于更严重的病例（HGG）。
图1展示了被分为三种脑肿瘤类型的MRI扫描图像。每一行代表一种肿瘤类型，每种类别包含三个样本图像。这些扫描图像在不同方向和视角下具有不同的特征，包括轴向、矢状向和冠状向。胶质瘤样本具有不规则的结构，会浸润脑组织；脑膜瘤样本表现为靠近脑表面的局部肿块；垂体瘤样本则位于....
访问受限。请登录或开始试用以查看此内容。
训练环境利用 Kaggle 的 NVIDIA Tesla T4 GPU，以实现高效的模型训练。关键的库包括 TensorFlow、PyTorch、Keras、NumPy 和 Pinecone，这些工具支持构建强大的深度学习流程。选择 DenseNet201、InceptionV3 和 Inception-ResNet-v2 是因为它们在医学影像分析中已展现出卓越的有效性。这些架构提供了深层特征提取、稳健的梯度流动以及混合优势，通过利用先进的卷积和残差学习能力，提高了脑肿瘤检测的准确性，减少了过拟合，并增强了模型的泛化能力。在 DenseNet201 中，每一层都会接收来自之前所有层的输入，从而缓解梯度消失问题，并促进特征重用。该模型共有 201 层，采用一系列密集块结构，每个密集块包含多个卷积层。DenseNet201 以其训练效率高著称，相较于传统卷积网络，能够在使用更少参数的情况下达到很高的精度。该模型常用于图像分类任务，并在多个基准数据集上表现出优异性能。这表明模型架构与其相应的超参数调优相结合，能够以极低的误差水平成功实现数据分类。训练过程中较低的损失值反映了模型有效降低误差的能力，表明学习过程中具有高度收敛的可能性。
.......访问受限。请登录或开始试用以查看此内容。
脑肿瘤的早期诊断对于挽救患者生命可能至关重要，因为脑肿瘤可能具有高度危险性并导致死亡。目前，肿瘤诊断依赖放射科医生的人工判读，这可能导致在早期阶段检测恶性肿瘤时出现延迟和人为错误。因此，本文提出了一种多分类脑肿瘤诊断模型，能够精确地检测、定位和分类肿瘤，尤其适用于处理不同形状、大小和纹理的情况。该模型结合了混合方法与先进的深度学习模型，应用于医学影像，以提高准确性并实现多分类。脑部MRI被分为三类：胶质瘤、脑膜瘤和垂体瘤。该方法采用一种精确且自动化的分割模型，能够从原始采集的输入图像中分割出脑部MRI。由于肿瘤可能出现在大量不同的位置，并具有多种形状和结构，因此实现肿瘤分割的自动化较为困难。肿瘤分割模型基于U-Net架构开发。在未进行分割的情况下，分类过程显著缩短了分类模型所需的时间。
该研究还探讨了数据集扩增的影响。分类模型通过多个数据集以及两个预训练模型进行了测试。由于模型训练需要高计算量的GPU处理，作者使用搭载高端笔记本电脑的Kaggle GPU，并在模型训练过程中采用批量处理技术。该研究通过利用迁移学习结合微调方法，突出了医学影像领域的可持续方法，以提升模型效率并最小化计.......
访问受限。请登录或开始试用以查看此内容。
作者声明无利益冲突。
无
作者贡献：
概念化，A.K.；数据管理，A.K.；正式分析，A.K.、M.U. 和 D.G.；调查研究，A.K.；方法学，A.K.；监督，M.U. 和 D.G.；验证，A.K.、M.U. 和 D.G.；可视化，A.K. 和 M.U.；撰写初稿，A.K. 和 M.U.；撰写审阅与修改，A.K.、M.U. 和 D.G.。
访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| fastText | Facebook AI | N/A | 词表示与文本分类 |
| Google Colab | N/A | 基于云的 Jupyter Notebook 环境 | |
| Google Colab GPU/TPU | N/A | 基于云的硬件加速 | |
| Intel Core i5/i7 或 AMD Ryzen 5/7 | Intel / AMD | N/A | 本地运行所需的处理器（如需要） |
| Matplotlib | 开源 | N/A | 数据可视化库 |
| NLTK | 开源 | N/A | 用于文本处理的自然语言工具包 |
| NumPy | 开源 | N/A | 数值计算库 |
| NVIDIA GTX 1650 或更高版本（可选） | NVIDIA | N/A | 用于深度学习任务的 GPU |
| Pandas | 开源 | N/A | 数据处理库 |
| Python | Python 软件基金会 | N/A | 用于机器学习与自然语言处理的编程语言 |
| PyTorch | Meta AI | N/A | 深度学习框架 |
| 内存（最低 8GB，推荐 16GB） | 多种厂商 | N/A | 机器学习任务的内存需求 |
| Scikit-learn | 开源 | N/A | 机器学习库 |
| Seaborn | 开源 | N/A | 统计数据分析可视化 |
| SpaCy | Explosion AI | N/A | 工业级自然语言处理库 |
| 固态硬盘存储（最低 256GB，推荐 512GB） | 多种厂商 | N/A | 用于数据集处理的存储空间 |
| TensorFlow | N/A | 深度学习框架 |
访问受限。请登录或开始试用以查看此内容。