注意引导的CNN框架用于3D MRI扫描的胶质瘤分割和评级研究

胶质瘤是人类最致命的脑肿瘤形式，及时诊断这些肿瘤是有效肿瘤治疗的重要一步。磁共振成像（MRI）通常提供对脑部病变的无创检查。然而，手动检查MRI扫描中的肿瘤需要大量时间，并且容易出错。因此，自动诊断肿瘤在胶质瘤的临床管理和外科干预中起着至关重要的作用。在这项研究中，我们提出了一个基于卷积神经网络（CNN）的框架，用于从3D MRI扫描中无创分级肿瘤。

背景介绍

胶质瘤是常见且致命的脑肿瘤，根据其侵袭性和恶性程度可以分为四级。低级别肿瘤（I-III级）通常较不具侵袭性且对治疗反应较好。然而，高级别肿瘤（IV级）具有高度侵袭性，例如胶质母细胞瘤，其治疗效果较差，仅有5%的患者能存活5年。

为了使用医疗影像开展胶质瘤的研究，研究者通常依赖于医学影像，特别是MRI。MRI影像能够提供脑组织的高空间和时间分辨率观察，因此，利用MRI进行脑肿瘤的分析成为研究中的一个重要方向。同时，胶质瘤的分类也涉及遗传特征，例如异柠檬酸脱氢酶（IDH）突变和1p/19q染色体臂状态。这些分子标志物在影响肿瘤对治疗的响应方面具有重要作用。

研究机构与发表信息

这项研究由Prasun Chandra Tripathi和Soumen Bag完成，他们来自印度Dhanbad的Indian Institute of Technology (ISM)。这篇论文于2022年11月9日发表在IEEE/ACM Transactions on Computational Biology and Bioinformatics上。

研究方法

研究方法分为两个主要步骤：胶质瘤的分割和分类。分割网络采用编码器-解码器架构，而分类网络采用多任务学习策略。

分割网络

分割网络的架构见下：

• 输入数据：MRI影像，包括T1、T1c、T2和FLAIR四种模式。
• 编码器部分：三个降采样层，每层将输入数据尺寸缩小两倍，同时包括若干残差块。
• 过渡部分：残差块，用于从编码特征中提取深层特征。
• 解码器部分：三个上采样层，用于恢复原始尺寸，同时包括长距离跳跃连接以保留低层次图像特征。

分割网络还引入了空间和通道注意力机制，以细化特征地图。注意力机制在选择重要信息的同时忽略无关内容，这在CNN中可以通过通道注意力和空间注意力两种方式实现。

多任务分类网络

分类网络架构见下：

• 输入数据：分割得到的3D肿瘤区域。
• 共享骨干网：多个卷积层和残差块，用于提取特征。
• 任务特定层：三个全连接层，分别负责低级别/高级别分类、1p/19q染色体状态预测和IDH突变状态预测。

多任务学习利用了不同任务之间的信息共享，提高分类准确性。

实验结果

实验使用的数据集包括BraTS 2019和来自Cancer Imaging Archive的多模态MRI数据，共617名患者的MRI图像。将这些图像用于训练和验证模型，并评估模型的性能。

分割结果

分割性能通过Dice相似系数（DSC）、Hausdorff距离、灵敏度和特异性等指标进行评价。实验结果显示，空间和通道注意机制显著提高了模型在分割任务中的性能。

示例如下： - 增强肿瘤区域的DSC：从0.7612提升到0.7712 - 全肿瘤区域的DSC：从0.8721提升到0.9002 - 核心肿瘤区域的DSC：从0.8090提升到0.8230

分类结果

分类性能通过分类准确率、准确性、特异性、灵敏度和F1得分等指标进行评价。多任务分类网络在所有三个任务上均表现出色，特别是在使用空间和通道注意机制后，分类准确率显著提高。

示例如下： - 低/高级别分类准确率：从91.00%提升到95.86% - IDH状态分类准确率：从87.94%提升到91.96% - 1p/19q状态分类准确率：从81.20%提升到87.88%

研究结论与意义

通过引入注意机制，我们提出的CNN框架在胶质瘤的分割和分类任务中均表现出显著优势。特别是多任务学习策略，提高了模型在处理多任务分类问题上的鲁棒性和有效性。这项研究提供了一种无创诊断和评估胶质瘤的新方法，具有重要的科学价值和临床应用潜力。

未来将尝试开发结合CNN-Transformer架构的模型，以进一步提升多种分类和分割任务的性能，从而为胶质瘤的诊断和治疗提供更加有效的工具。