脑肿瘤的检测方法

Samir Kumar博士
印度加尔各答大学Bandyopadhyay教授

摘要

在磁共振图像(MRI)中分割脑肿瘤是一项具有挑战性和困难的任务，因为它们可能的形状，位置，图像强度的多样性。本文对计算机辅助检测系统(CAD)中不同阶段应用磁共振成像(MRI)自动检测脑肿瘤的方法进行了综述和比较。研究了脑图像分类技术。现有的方法经典地分为基于区域的方法和基于轮廓的方法。这些通常用于完全增强肿瘤或特定类型的肿瘤。该方法简化了描述大数据集所需的资源量，并选择用于组织分割。

关键字

核磁共振影像(MRI)，脑肿瘤影像。脑图像分类

介绍

脑癌是一种非常严重的恶性肿瘤，当大脑中的癌细胞不受控制地生长时就会发生。脑癌是由恶性脑瘤引起的。并非所有的脑瘤都是恶性的。有些类型的脑瘤是良性的(非癌变)。脑癌也被称为胶质瘤和脑膜瘤。

脑癌是癌症致死的主要原因之一。脑癌主要有两种类型。其中包括原发性脑癌，即脑癌起源于大脑本身。原发性脑癌是脑癌中最罕见的一种。它可以扩散并侵入大脑和脊髓的健康组织，但很少扩散到身体的其他部位。

继发性脑癌更为常见，是由身体其他部位开始的癌症引起的，如肺癌或乳腺癌扩散到大脑。继发性脑癌也被称为转移性脑癌。

脑癌是最容易治疗和治愈的，如果在疾病的早期发现。未经治疗和/或晚期脑癌只能向内扩散，因为颅骨不会让脑瘤向外扩张。这会对大脑造成过度的压力(颅内压增加)，并可能导致永久性的脑损伤，最终导致死亡。这一过程会导致症状，如头痛和其他神经问题。有关其他主要症状和并发症的详细信息，请参阅脑癌症状。

有患脑癌风险的人包括有脑癌家族史的人以及接受过头部放射治疗的人。

诊断脑癌首先要全面了解个人和家族病史，包括脑癌的症状和危险因素。诊断过程还包括完成全面的身体和神经系统检查。神经学家帮助评估大脑和神经系统以及诸如反射、感觉、运动、平衡、警觉性、协调性、视觉和听力等功能。

脑癌的诊断通常是由一名叫做神经科医生的专家做出的。可能进行的成像测试包括MRI和/或CT扫描，它们使用计算机技术创建大脑的详细图像。

一种叫做脑血管造影的程序也可以用来照亮大脑中为脑肿瘤供血的血管。另一种可能进行的手术是脊髓穿刺或腰椎穿刺。在这个过程中，从脊髓中取出一小份脊髓液样本，并在显微镜下检查癌细胞的存在。

诊断测试还包括活组织检查。在活组织检查中，细胞或组织的样本是从脑瘤手术中提取的。在显微镜下检查脑组织样本是否存在脑癌细胞或脑组织中可能导致癌症的异常变化。这将决定脑瘤是恶性的还是良性的。

脑癌的诊断可能会被遗漏或延迟，因为脑癌的一些症状与其他疾病的症状相似。有关其他可能类似脑癌的疾病、失调和状况的更多信息，请参阅脑癌误诊。

脑瘤解剖、症状及鉴别

脑瘤的症状取决于肿瘤的大小、类型和位置。当肿瘤压迫神经或损害大脑的特定区域时，可能会引起症状。它们也可能是由大脑肿胀或颅骨内积液引起的。脑瘤是由在大脑中无限制生长的细胞组成的。

脑肿瘤的诊断是一项非常重要的工作。该系统为脑肿瘤的诊断提供了一种高效、快速的方法。该系统由多个阶段组成。第一阶段是大脑MR图像的纹理特征提取。第二阶段利用集成基分类器对这些纹理特征进行分类。分类后，利用两阶段分割的方法从恶性图像中提取出肿瘤区域。分割包括颅骨切除和肿瘤提取两个阶段。

图1:大脑基本解剖图

脑瘤病理是目前医疗保健社会中最常见的病死率。因此，准确检测大脑异常类型对于制定治疗计划至关重要，可以最大限度地减少致命后果。只有通过计算机辅助自动化系统才能获得准确的结果。除了准确之外，这些技术还必须快速收敛，以便将其应用于实时应用。尽管有几种自动化方法可以用于这些理想的性能度量，但是这些技术之间对于各种应用程序的适用性并没有明显的区别。许多报道声称其工作是优越的，但这些工作缺乏完整的比较分析。

大脑的主要区域有一个或多个特定的功能。

以下是脑瘤最常见的症状:

头痛是一种常见的初始症状。典型的“脑肿瘤头痛”通常被描述为在早上更严重，在白天逐渐改善。它们可能会把人从睡眠中唤醒。有时，在醒来时，人会呕吐，然后感觉好些。这些头痛可能会随着咳嗽、运动或姿势的改变(如弯曲或跪着)而加重。通常的头痛疗法对他们也没有反应。

头痛(通常在早上更严重)

•恶心或呕吐

•语言、视觉或听力的改变

•无法保持平衡或行走

•情绪、性格或注意力的变化

•记忆力问题

•肌肉抽搐或抽搐(癫痫或抽搐)

•手臂或腿部麻木或刺痛

这些症状并不能确定是脑瘤的症状。其他情况也可能导致这些问题。任何有这些症状的人都应该尽快去看医生。只有医生才能诊断和治疗这个问题。如果一个人有脑瘤的症状，医生可能会进行以下一种或多种手术:

•体检——医生检查健康的一般迹象。

•神经系统检查——医生检查患者的警觉性、肌肉力量、协调性、反应能力和对疼痛的反应。医生还检查眼睛，寻找肿瘤压迫连接眼睛和大脑的神经引起的肿胀。

•CT扫描-与计算机相连的x光机拍摄头部的一系列详细照片。病人可能会接受一种特殊染料的注射，这样大脑就能在图片中清晰地显示出来。这些图片可以显示大脑中的肿瘤。

•核磁共振成像(MRI)——一个与计算机相连的强大磁铁可以对人体内部的各个区域进行详细的成像。这些图片可以在显示器上观看，也可以打印出来。有时会注射一种特殊的染料来帮助显示大脑组织的差异。这些图片可以显示大脑中的肿瘤或其他问题。医生可能会要求进行其他检查:

血管造影术——注射到血液中的染料流入大脑的血管，使它们在x射线上显示出来。如果有肿瘤，医生可以在x光片上看到。

颅骨x光片——某些类型的脑肿瘤会导致大脑中的钙沉积或颅骨骨骼的变化。通过x光检查，医生可以检查这些变化。

•脊髓穿刺-医生可能会取出脑脊液样本(填充大脑和脊髓内部及周围空间的液体)。该手术在局部麻醉下进行。医生用一根又细又长的针从脊柱中抽出液体。脊椎穿刺大约需要30分钟。病人事后必须平躺几个小时，以免头痛。实验室会检查液体中是否有癌细胞或其他问题的迹象。

脊髓造影-这是脊柱的x光片。脊髓穿刺是将一种特殊染料注入脑脊液。病人倾斜以使染料与液体混合。这种测试可以帮助医生发现脊髓中的肿瘤。

•活检-去除组织以寻找肿瘤细胞被称为活检。病理学家在显微镜下观察细胞以检查异常细胞。活组织检查可以显示癌症、可能导致癌症的组织变化和其他情况。活组织检查是诊断脑瘤唯一可靠的方法。

•外科医生可以通过三种方式获取组织来寻找肿瘤细胞:

Ã①Â△Â穿刺活检——外科医生在头皮上做一个小切口，然后在颅骨上钻一个小洞。这就是所谓的毛刺洞。医生将一根针穿过小孔，从脑瘤中取出组织样本。

Ã①Â > Â定向活检-一种成像设备，如CT或MRI，引导针穿过毛刺孔到达肿瘤的位置。外科医生用针取出组织样本。

Ã①Â 1 Â在治疗的同时进行活检——有时外科医生在患者手术切除肿瘤时取组织样本。

它们可以是良性的(非癌变的，意味着它们不会扩散到其他地方或侵入周围组织)或恶性的(癌变的)。

癌性脑瘤进一步分为原发肿瘤和继发肿瘤。

原发性肿瘤始于大脑，而继发性肿瘤则从乳房或肺等其他部位扩散到大脑。良性肿瘤占所有原发性脑肿瘤的一半。他们的细胞看起来相对正常，生长缓慢，不会扩散(转移)到身体的其他部位或侵入脑组织。如果良性肿瘤位于大脑的重要区域，对敏感的神经组织施加压力，或者如果它们增加了大脑内的压力，那么良性肿瘤仍然可能是严重的，甚至危及生命。虽然一些良性脑瘤可能对健康构成威胁，包括致残和死亡的风险，但大多数脑瘤通常可以通过手术等技术成功治疗。

原发性恶性脑瘤起源于大脑本身。尽管原发性脑肿瘤经常将癌细胞转移到中枢神经系统的其他部位(大脑或脊柱)，但它们很少扩散到身体的其他部位。

脑肿瘤的命名和分类一般按以下方式进行:

它们来源于哪种脑细胞，或者

肿瘤发生的部位

然而，这些肿瘤的生物多样性使得分类困难。

继发性(转移性)脑肿瘤发生在癌细胞从身体其他部位的原发癌症扩散到大脑时。继发性脑肿瘤的发病率是原发脑肿瘤的三倍。通常会发生多发性肿瘤。单发转移性脑癌可能发生，但不常见。大多数情况下，扩散到大脑引起继发性脑瘤的癌症起源于肺、乳房、肾脏或皮肤中的黑素瘤。所有转移性脑瘤都是恶性的。本文讨论原发性恶性脑肿瘤。

大约80%的恶性原发脑瘤统称为胶质瘤。胶质瘤不是一种特定类型的癌症，但它是用来描述起源于神经胶质细胞的肿瘤的一个术语。神经胶质细胞是中枢神经系统中结缔组织或支持性组织的基础细胞。

胶质瘤分为四个等级，反映恶性程度。一级和二级被认为是低级，三级和四级被认为是高级。I级和II级生长最慢，恶性最小;I级肿瘤通常被认为介于良性和恶性之间。III级肿瘤被认为是恶性肿瘤，生长速度中等。IV级肿瘤，如多形性胶质母细胞瘤，是增长最快和最恶性的原发性脑肿瘤。

形成胶质瘤的胶质细胞有几种。这些胶质瘤及其细胞类型的名称是:

星形细胞瘤是源自星形胶质细胞的原发性脑肿瘤。星形细胞瘤约占所有恶性原发性脑肿瘤的60%。星形细胞瘤的分级包括:

i级毛细胞星形细胞瘤是儿童最常见的胶质瘤类型之一

II级。弥漫性星形细胞瘤(也称为低度星形细胞瘤)通常发生在20 - 60岁的男性和女性

三级。间变性星形细胞瘤通常发生在30 - 60岁的成年人中，男性比女性更常见。

多形性胶质母细胞瘤(GBM)约占所有星形细胞瘤的50%。这些高度恶性侵袭性肿瘤最常见于老年人(50 - 70岁)，尤其是男性。只有大约10%的儿童脑瘤是胶质母细胞瘤。

少突胶质细胞瘤是由神经细胞周围形成保护层的少突胶质细胞发展而来的。少突胶质细胞瘤分为低级别(II级)或间变性(III级)，但纯少突胶质细胞瘤很少。在大多数情况下，它们发生在混合胶质瘤中。少突胶质细胞瘤通常发生在年轻人和中年人。

室管膜瘤来源于室管膜细胞，这些细胞排列在大脑下部和脊髓中央管的脑室(充满液体的腔)中。它们是儿童最常见的脑瘤类型之一。四五十岁的成年人也会出现这种情况。室管膜瘤分为四类:黏液乳头状室管膜瘤(I级)、室管膜下瘤(I级)、室管膜瘤(II级)和间变性室管膜瘤(III级和IV级)。

混合性胶质瘤包含恶性胶质瘤的混合物。大约一半的肿瘤含有癌性少突胶质细胞和星形胶质细胞。

神经胶质瘤也可能含有来自大脑细胞而非神经胶质细胞的癌细胞。

脑瘤病理是目前医疗保健社会中最常见的病死率。

因此，准确检测大脑异常类型对于制定治疗计划至关重要，可以最大限度地减少致命后果。只有通过计算机辅助自动化系统才能获得准确的结果。除了准确之外，这些技术还必须快速收敛，以便将其应用于实时应用。尽管有几种自动化方法可以用于这些理想的性能度量，但是这些技术之间对于各种应用程序的适用性并没有明显的区别。

许多报道声称其工作是优越的，但这些工作缺乏完整的比较分析。在这篇调查论文中，进行了广泛的比较分析，以说明各种可用技术的优点和缺点。

脑肿瘤的计算机辅助诊断

计算机辅助诊断在日常生活中越来越重要。具体来说，计算机辅助系统在计算生物医学应用中的应用已经得到了更高程度的探索。医学图像分析是一项重要的生物医学应用，具有很强的计算能力，需要自动化系统的辅助。这些图像分析技术通常通过扫描图像来检测人体的异常情况。

磁共振图像脑疾病自动诊断是医学图像分析的具体方法之一。自动诊断包括两个主要步骤:(a)图像分类和(b)图像分割。图像分类是将异常输入的图像根据一些相似度度量划分为不同的肿瘤组(脑肿瘤有很多类型)的技术。这种异常检测技术的准确性必须非常高，因为治疗计划是基于这种识别的。第二步是图像分割，提取肿瘤异常部分，这是体积分析所必需的。这种体积分析决定了治疗对患者的影响，这可以从异常部分的提取大小和形状来判断。

回顾有关脑分类技术的论文

自动化系统的重要环节是脑图像分类。该步骤的主要目标是基于最优特征集区分不同的异常脑图像。一些传统的分类器可用于分类，但大多数早期的工作依赖于人工智能(AI)技术，这些技术产生的结果比传统的分类器精度更高。使用人工神经网络(ANN)来提高分类器的准确性由[4]说明。

本报告基于头颈部癌的检测，并与线性判别分类器(LDA)进行了对比分析，以显示神经网络的优越性。[5]提出了一种交互式的分类健康和肿瘤MR脑图像的工具。但与人工智能技术相比，该系统的精度非常低。虽然这种方法收敛速度快，但由于精度低，可能没有多大用处。本报告主要集中在提高收敛速度上。各种应用

利用[6]对图像分类的神经网络进行分析。报告中还解释了传统神经网络缺乏更快的收敛速度。重点阐述了改进后的神经网络在图像分类应用中的收敛速度要求。

LDA技术通过[7]对四种不同类型的肿瘤进行分类。但本文报道的分类准确率在80%左右，相对较低。这项工作还提出了错误分类的各种原因。

基于支持向量机的各级磁共振胶质瘤图像分类由[8]执行。该方法据称优于基于规则的系统，但文中报道的精度较低。这项工作只处理胶质瘤图像，因此这项工作缺乏泛化能力是该系统的另一个缺点。[9]研究了Kohonen神经网络在图像分类中的应用。本文还对传统的Kohonen神经网络进行了一些改进，其性能优于传统的Kohonen神经网络。[10]采用小波和支持向量机(SVM)相结合的混合方法对异常图像和正常图像进行分类。该报告表明，混合支持向量机在性能指标方面优于Kohonen神经网络。但该系统的主要缺点是用于实现的数据集较小。

随着数据集规模的增加，分类准确率可能会降低。[11]提出了一种基于最小二乘支持向量机(LS-SVM)的脑肿瘤识别算法。通过对两级分类和多级分类的研究，表明了该方法优于传统分类器的特点。该报告还指出了一个重要的注意事项，即随着类数量的增加，各种算法之间的差异也会增加。因此，这项工作表明了多类分类技术比双层分类技术的必要性。[12]提出并成功实现了LSSVM的另一个版本。

在支持向量机、神经分类器和统计分类器之间进行了广泛的比较分析。结果表明支持向量机在分类精度方面具有优势。本工作只进行了两级分类，不足以判断自动化系统的性质。[13]将改进的概率神经网络用于肿瘤图像分类。利用基于最小二乘特征变换的PNN对转移瘤、胶质瘤、脑膜瘤等异常图像进行鉴别。并与SVM进行了比较分析。研究结果表明，基于变换的PNN在分类精度方面优于SVM。

通过[14]对不同等级的异常图像进行人工神经网络分类。本文提出了一种实用的数据库选择方法。人工神经网络的训练依赖于输入数据，因此需要各种各样的模式以获得较高的精度。该报告还强调了收集不同不常见模式的大型数据集的困难，因此得出结论，自动化系统可以用常见异常的图像进行测试。

一个时间高效的神经网络，如PNN被用于模式分类问题[59]。重点是收敛时间，而不是分类精度。结果表明，PNN在训练时间周期方面优于传统神经网络。[15]公司研制了一种计算机辅助的原发性和继发性肿瘤鉴别系统。本文采用概率神经分类器。虽然该报告记录了很高的分类精度，但数据集的大小非常小。统计分类器用于对不同肿瘤类型进行分类，[16]报道了一项这样的工作。这种分类是在质子磁共振波谱图像上进行的。并与神经分类器进行了比较分析。该报告得出的结论是，统计和神经分类器的结合提高了更高程度的准确性。

利用[18]实现了一种基于自组织神经网络的神经胶质瘤自动检测系统。该系统的主要缺点是分类精度低，缺乏多类分析。基于RBF核的支持向量机用于脑肿瘤检测[64]。将SVM的结果与机器学习算法AdaBoost进行了比较。实验结果表明支持向量机相对于其他分类器的优越性。以[19]为例，演示了基于模糊方法的图像分类模式发现算法。

在不同的实际数据集上进行了实验，结果表明，与其他分类器相比，所提出的算法具有良好的分类效果。[20]提出了一种混合模式分类方法。本文尝试将支持向量机与模糊规则相结合。结果表明，所提出的混合方法具有准确、快速和鲁棒性。

该方法

身体是由许多细胞组成的。每个细胞都有特定的职责。细胞在体内生长，并分裂以繁殖其他细胞。这些分裂对身体的正常功能至关重要。当每个细胞失去控制其生长的能力时，这些分裂就会受到任何限制，肿瘤就会出现。肿瘤本身可分为两类:良性和恶性。根据美国中央脑瘤登记处(CBTRUS)公布的统计报告，2002年约有39550人新诊断为原发性良性和原发性恶性脑瘤[1-3]。

图像通常包含一种或多种类型的噪声和伪影。预处理是为了去除图像中的种子，并增加正常和异常脑组织之间的对比度。这里使用的方法是直方图均衡化，使用中值滤波，使用非锐化掩码，阈值化和使用均值滤波。

统计结果表明，医学影像学对在短时间内提高肿瘤诊断率和准确性具有重要作用。医学影像学分为解剖学和生理学两类。解剖成像包括CT、超声和MRI。

在本研究中，我们提出了一种新的增强和隔离过程，应用于MRI图像中的肿瘤分类。在此过程中，医学图像被视为像素数据数组。该过程的第一步是确定图像的尺寸，并确定图像数组的中间位置。然后取一个最大差值阈值(MDT)，它是由观测确定的恒定阈值。我们开始用图像数据检查这个值，方法是从数组的左向右水平扫描。如果任意减法的结果大于MDT，则数组将沿着中间位置分成两个相等的子集，并将这两个子集的第一个和最后一个位置推入堆栈。否则，子集的模式值在16级尺度的颜色空间分割中，采用均匀颜色量化技术修改后将传播到所有其他位置。该过程将递归地继续，从堆栈中弹出起始位置和结束位置子集数组，并重复上述过程。该过程将继续，直到堆栈为空。

同样的过程将通过从上到下垂直扫描图像，然后在16级尺度的颜色空间分解中使用均匀颜色量化技术来重复。

图1显示了一个正常和异常的输入图像，图2显示了所提出的方法。

分类阶段提供对分割阶段有害的图像作为输入。该系统的分类阶段相当准确地从这些恶性脑图像中提取出肿瘤区域。图3显示了分类阶段的结果。所有图像均显示，该系统能够较准确地识别和提取对比度较高的肿瘤区域。

a.原始MR图像

b.肿瘤切除区

结论

本文提出了一种脑图像中肿瘤的分类方法。该步骤的主要目标是基于最优特征集区分不同的异常脑图像。这种分类是在质子磁共振波谱图像上进行的。但不同数据集的分类精度结果不同，这是该方法的缺点之一。在不同的实际数据集上进行了实验，结果表明，与其他分类器相比，所提出的算法具有良好的分类效果。结果表明，所提出的混合方法具有准确、快速和鲁棒性。

参考文献

刘志军，刘志军，刘志军，《中枢神经系统肿瘤》杂志，Vol.1, pp. 473 - 473, 2006。
《脑外科肿瘤的诊断与治疗》，第22期，pp.69-72,2004。
杜立德，“脑肿瘤分类的科学现状”，中华脑肿瘤杂志，vol.20, pp.224- 230,2004。
Ronald G, Stephen A, kromhot - schiro S, Suresh K.神经网络在提高MR光谱诊断头颈部鳞状细胞癌准确性中的作用。AJNR 2000;21:1133-38。
李文杰，李文杰，李文杰，李文杰。脑肿瘤MR图像的自动分割方法。放射学2000;218:586 - 91。\
孙文杰，张志强，张志强。基于神经网络的图像处理方法。模式识别2002;35:2279-301。
major C, Julia-Sape M, Alonso J, Serrallonga M, Aguilera C, Juan J, Gilli J.质子MR波谱脑肿瘤分类:短、长TE诊断准确性的比较。Ajnr 2004;25:1696- 704。
李G,杨J,耿你们C, d .预测脑胶质瘤的恶性程度使用支持向量机。计算机在生物与医学2006;36:313-25。
Messen W, Wehrens R, Buydens L.监督Kohonen网络的分类问题。化学计量学与智能实验室系统2006;83:99-113。
张志刚，张志刚，张志刚。基于支持向量机和神经网络的磁共振脑图像分类方法。生物医学信号处理与控制2006;1:86-92。
Luts J, Heerschap A, Johan A, Huffel S.一种结合MRI和MRSI的多分类系统，使用ls - svm进行分类概率和特征选择。人工智能在医学2007;40:87-102。
谢晓明，王晓明，王晓明。基于最小二乘支持向量机的脑MRI切片分类方法。国际智能计算与医学图像处理杂志2007;1:21-33。
乔吉亚迪斯P，卡武拉斯D，卡拉齐斯J，达斯卡拉基斯A，乔治C，斯法基K，叶卡捷琳索洛穆。利用概率神经网络和纹理特征的非线性变换改善脑肿瘤MRI表征。计算机方法与程序在生物医学2008;89:24-32。
Yamashita K, Yoshiura T, Arimura H, Mihara F, Noguchi T, Hiwatashi A, Honda H.放射科医生利用人工神经网络在MR图像上鉴别诊断脑轴内肿瘤的性能评价。AJNR 2008; 29:1153-58。
易卜拉欣M, Ramakrishnan S.在解决不同模式分类问题中的应用。世界应用科学杂志2008;4:772-780。[60]乔吉亚迪斯P，卡武拉斯D
李国强，李国强。质子磁共振波谱在脑肿瘤分类中的特征选择。欧洲人工神经网络研讨会-计算智能与学习的进展;2008;77-82。
Palaniappan R, Eswaran C.利用遗传算法选择训练模式的表示顺序，提高简化模糊ARTMAP分类性能。应用软计算2009;9:100-06。
张志勇，张志强，张志强，等。基于医学图像分割的脑肿瘤诊断支持。第17届技术计算年会论文集2009;1-7。
张晓明，李志强，张志强，等。基于支持向量机的磁共振脑肿瘤检测方法。数字内容技术及其应用，2009;1:46-51。
张志刚，张志刚。基于模式发现的模糊分类方法。IEEE反式。《模糊系统》2007;15:772- 83。卡拉齐斯J，格洛索斯D，斯法基K，索罗穆e