機(jī)器學(xué)習(xí)在MRI 圖像腦腫瘤分割中的研究進(jìn)展

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)再生北京市重點實驗室，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)確確定能夠為腦腫瘤的診斷、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，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[6]，傳統(tǒng)的識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，已成為了腦腫瘤識別研究的熱點方法之一[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，形成新的知識或是得出某種模型，并以此對未知事物做出符合實際的判斷和預(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)用計算機(jī)實現(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，將活動輪廓模型與FCM 結(jié)合，利用FCM 確定活動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。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強(qiáng)度的最大值、最小值、平均值、熵等一階統(tǒng)計特征[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為：（1）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)計獲取最佳特征集的算法，以削弱主觀經(jīng)驗對特征集選取的影響[19]。

SVM 是根據(jù)統(tǒng)計學(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強(qiáng)度值作為單一特征來對其進(jìn)行識別和分割，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，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強(qiáng)度的變化特點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，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)千個輸入變量而不刪除變量。RF 算法實現(xiàn)簡單，能實現(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)換計算的基于上下文的特征，并利用RF 對損傷區(qū)域進(jìn)行識別與分割，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、文本和曲率特征對腦膠質(zhì)瘤FLAIR 成像結(jié)果進(jìn)行識別，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)行決策樹的每個節(jié)點上產(chǎn)生冗余項的問題，這無疑會降低RF 對MRI 圖像腦腫瘤的識別準(zhǔn)確率并增加算法計算時間。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別具有最顯著貢獻(xiàn)的4 個特征數(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來進(jìn)行分類的，因此需要較長的計算時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 的時間復(fù)雜度可以提高SVM 方法在腦腫瘤識別中的實用性。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)腦分割存儲庫的T1加權(quán)腦圖像進(jìn)行腫瘤的自動檢測與分級。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%，同時具有更低的時間成本。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算量，從而降低SVM 的計算成本。

RF 是通過對多棵決策樹的輸出實行等權(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)練過程中提高被錯分的樣本權(quán)重，降低被正確分類的樣本權(quán)重，同時根據(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，會自動選取最有利于圖像識別和分割的特征，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 圖像中識別和分割腦腫瘤組織，結(jié)果顯示該方法在識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)行識別和分割，來自于這2 個數(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]，這種計算方式的存儲量大，執(zhí)行效率低，限制了感知區(qū)域。同時，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)出每個像素所屬的類別（即實現(xiàn)語義分類）。與CNN 相比，F(xiàn)CN 有2 個明顯的優(yōu)點：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)存儲和計算卷積問題[36]。Shreyas 等[37]通過FCN 方法利用BRATS 2015數(shù)據(jù)庫，實現(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：（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)，同時增加了上采樣層的層數(shù)，由此縮短了算法的計算時間，同時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，為了提升對腦腫瘤圖像識別與分割的魯棒性，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，實驗數(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）實現(xiàn)了對MRI 圖像上的多級腦腫瘤分割，結(jié)果顯示DRInet在識別腫瘤核心和增強(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)缺點見表1。從表1可以得出當(dāng)實驗數(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別和分割準(zhǔn)確率。隨著時間的推移，具體某一種腦腫瘤數(shù)據(jù)量不斷積累，這將推動DL 在MRI 圖像腦腫瘤識別與分割中的應(yīng)用，從而實現(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 方法的特點比較

4 結(jié)語

盡管現(xiàn)階段機(jī)器學(xué)習(xí)在腦腫瘤識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)行腦腫瘤識別和分割的研究應(yīng)向更加多模態(tài)、高自動度、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)，實現(xiàn)全自動的圖像特征集構(gòu)建或選??；（3）減少計算成本，實現(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間復(fù)雜度方面達(dá)到平衡。隨著計算機(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。