基于MRI医学图像的脑肿瘤分级
基于MRI医学图像的脑肿瘤分级
本文对近年来脑磁共振（MR）图像分割和肿瘤分级分类技术进行概述。文章强调了早期发现脑肿瘤及其分级的必要性。在磁共振成像（MRI）中，肿瘤可能看起来很清楚，但医生需要对肿瘤区域进行量化，以便进一步治疗。数字图像处理方法和机器学习有助于医生进一步诊断、治疗、手术前后的决策，从而发挥放射科医生和计算机数据处理之间的协同作用。本文旨在回顾以胶质瘤（包括星形细胞瘤）为靶点的肿瘤患者的脑部MR图像分割和分类的最新进展。阐述了用于肿瘤特征提取和分级的方法，这些方法可以整合到标准临床成像协议中。最后，对该技术的现状、未来发展和趋势进行了评估。本文发表在Biomedical Signal Processing and Control杂志。
目录1.引言2.图像处理和计算机视觉 2.1 预处理2.2 分割 2.2.1 手动分割 2.2.2 半自动分割 2.2.3 全自动分割2.3 特征提取2.4 特征选择和降维2.5 分类3. 目前磁共振-计算机辅助诊断（MRI-CAD）的发展趋势 3.1 全自动2D和3D用户交互方法 3.1.1 模糊逻辑 3.1.2 自适应神经模糊推理系统 3.1.3 支持向量机 3.1.4 人工神经网络 3.1.5 自组织映射网络 3.1.6 粒子群优化 3.1.7 随机森林 3.1.8 其他方法3.2 半自动2D和3D用户交互方法 3.2.1 模糊C均值算法 3.2.2 支持向量机 3.2.3 人工神经网络 3.2.4 其他方法4.讨论5. 结论 1 引言在过去的几十年里，随着生物医学的发展，人类对各种疾病的理解上取得了进步，但肿瘤由于其不稳定的性质，仍然是人类的挑战。一名合格的临床医生会结合多种类型的医学影像图像进行诊断，以进一步确定恶性肿瘤的可能位置和体征。影像成像是肿瘤非侵入性的诊断方法。最初，为了检测肿瘤，成像系统用于记录医学图像。捕获的图像通过各种基于软件的算法进行后处理，以便鉴别影像中可疑的肿瘤区域与健康区域。图像分割能够将病变区域与图像的其余部分区分开来。当精确的分割方法能够确定肿瘤的大小和位置时，这对治疗计划是有帮助的。为此，需要有资质的临床医生提供原始数据或提供用于分类的可训练数据。
各种各样的基于医学图像提取信息的研究已经开展用来检测多种类型的肿瘤。目前世界卫生组织（WHO）关于脑肿瘤分类的指南基于严格的组织病理学，这限制了临床应用。这一限制触发了医学影像成像在诊断和治疗计划中的应用，包括更自动化的方法。越来越多的脑磁共振图像数据为神经外科医生和医学科学家创造了新的机会，同时过度精确的数据分析和诊断负担也随之而来。因此，计算机辅助诊断技术应运而生，以增强医生的诊断能力，并减少准确诊断所需的时间。在目前的临床研究和常规检查中，MR图像的评估要么依赖于基本的定量测量，要么仅基于定性标准。因此，用可重复性强且精确的图像处理方法和可自动检查脑肿瘤扫描的肿瘤亚结构诊断方法取代常规评估将提高诊断和推进治疗计划的改进。目前大多数算法用于分析脑肿瘤靶点对胶质瘤的分割。在医学成像中，分割是一项必不可少的图像后处理流程，这可以由专家手动完成，具有很高的准确性但非常耗时。与此同时，完全准确的自动的分割方法还不可靠。目前，对于临床应用，采用了半自动分割方法。这些耗时且具有挑战性的任务由放射科医生介入，以满足对半自动分割方法的需求。这可以缓解自动分割方法不可靠的弊端，同时放射科医生也可以控制分割过程。一些半自动方法只需要用户初始化。为确保准确性，必须多次重复用户交互过程。本文结构如下：图像处理和计算机视觉（第2节），其中简要总结了预处理、分割（包括手动分割、半自动和全自动方法）、特征提取、特征选择、降维和分类。接着（第3节）论述MRI-CAD方案的当前趋势。最后，讨论了脑肿瘤分割和分类领域的最新进展，这将有助于脑肿瘤的分级，并将其与临床要求进行了比较。
2 图像处理与计算机视觉计算机视觉领域的最终目标是利用计算机模拟学习和人类视觉。它还具有根据视觉输入进行推理和采取行动的能力。图像理解或分析的领域介于计算机视觉和图像处理之间。一般的计算机图像处理过程分为低级、中级和高级过程。低级别处理涉及基本操作，如图像预处理降噪、图像锐化和对比度增强。中级别处理包括分割和分类。高级处理包括执行通常与视觉相关的认知功能。图像分析借助于半自动或自动方法来解释所捕获的图像。大量生成的
临床数据使得不可能在合适的时间手动地定义和分割数据。医学图像分析领域分为增强、配准、分割、可视化、量化和建模。在这些流程中，分割和建模是脑肿瘤研究中最重要和最具挑战性的。尽管专家拥有丰富的经验和较高超的技能，仅手动定性分析始终受到人类视觉系统的限制。因为人眼无法分辨到图像的几十个灰度级。MR图像中包含的丰富信息远远超过人类视觉所能看到的，因为目前的MRI系统可以产生相当于65535灰度级的图像。因此，计算机图像处理可作为第二只眼来理解高比特深度和高分辨率的MRI图像。例如，本文研究了一个基于粗糙集和模糊集来处理人类认知过程中不确定性的数学框架。
2.1 预处理各种各样的预处理技术，如线性、非线性、固定、自适应、基于像素或多尺度，适用于不同的情况。在区分异常组织和正常组织的应用中，对于相对较高的噪声级，精确的处理变得非常困难。异常组织和正常组织之间存在的微小差异可能会被伪影和噪声所困扰，这常常直接导致图像分析的困难。同时，图像视觉质量的某些改善对医学专家的诊断有很大帮助。因此，对于后续的自动化分析，增强技术也是预处理步骤之一。增强技术的使用有两个目的。首先用于人类更好地观察分析；其次，导出图像，用于后续的计算机处理算法。前一个目标的应用包括去除噪声、增强对比度和锐化图像中的细节，而后一个目标的应用扩展到边缘检测和目标分割。磁共振图像分割过程中面临的一个主要问题是偏置场。这是由于扫描时射频线圈或采集序列中引起的，因此称为强度不均匀性。偏置场校正的目的是计算偏置场并将其从测量图像中去除。有研究解释了在预处理阶段MR图像中的偏移校正要求。通常，磁共振图像中的噪声是由于线圈中磁场的波动。与MR图像相关的各种不均匀性包括噪声、阴影伪影和部分体积效应。与MR图像相关的随机噪声符合莱斯Rician分布。在数据采集过程中，由于射频的不均匀性，会产生强度不均匀性，从而产生阴影伪影。当一种以上的组织或类别占据相同的体素或像素时，称为部分体积效应。这些像素点或体素通常统称为像素，有研究基于最大似然估计解释了三种偏置场校正算法。在MRI应用中，对比噪声比（CNR）、信噪比（SNR）和分辨率之间存在固有的权衡。根据诊断
任务的类型，高对比度和高空间分辨率是必需的。在图像处理应用中，高信噪比是必须的，因为大多数算法都对噪声敏感。这表明了在MR 图像上应用噪声滤波以保留图像细节和减少图像噪声的必要性。文献中提出了各种改善边缘模糊效果、CNR和SNR的方法，如自适应滤波器、各向异性扩散滤波器和小波滤波器。各向异性扩散滤波技术由于其算法简单、计算速度快、噪声服从高斯分布等优点，显示出良好的实用性。但是，在MR数据处理过程中，高斯假设对于图像噪声来说并不令人满意，因为它显示了Rician分布，尤其是在低信噪比区域。因此，可以使用改进的各向异性滤波器来减少这种偏差。不同类型的噪声会影响医学图像。为了进行精确的观测，有必要为给定的应用提供精确的图像。获得的MR图像通常会受到散斑噪声、高斯噪声、椒盐噪声（也称为脉冲噪声）等的影响。通常，主要处理方法是忽略局部特征，如可能存在的边缘，并用附近的一些中值替换噪声像素。因此，特别是在高噪声水平下，边缘和细节无法令人满意地恢复。但是，图像处理分析专家确认，对于消除存在的边缘噪声，选择中值滤波优于线性滤波。在预处理阶段，需要的另一个步骤是强度归一化。有文献引用了六种归一化方法，如强度缩放、对比度拉伸归一化、直方图归一化、直方图拉伸、直方图均衡化和高斯核归一化。相对而言，直方图归一化方法给出了最好的性能，但有研究表明，直方图均衡化在医学图像的应用存在局限性，因为它消除了微小的细节。因此，这种局限性推动了自适应和空间可变处理技术的发展。为了灵活处理图像中的空间和局部可变微小细节，对维纳滤波器进行了优化设计。它是低通和高通滤波器的组合，由控制其相对权重的因素组成；因此，它通常应用于计算机断层扫描（CT）和MR图像。对乳腺X光图像，特别使用了非线性对比度增强技术，但是对比度或边缘增强伴随着其他噪声的放大。因此，基于小波的框架被用来实现去噪和对比度增强。混合滤波器集成了多分辨率小波变换和自适应多级非线性滤波器。它解决了噪声抑制和图像增强以及基于小波的子图像的分解和选择性重建。在预处理阶段，有研究使用N3算法进行偏置场校正，使用统计参数映射（SPM）的共配准模块进行扫描间的共配准以进行扫描间视觉
比较，并使用乘法模型进行MR信号强度归一化。在Emblem等人的研究中，在脑胶质瘤分割之前，在预处理阶段进行自适应直方图均衡化，使图像的强度值在MR图像类型、切片和患者之间保持一致。除此之外，还使用SPM5将脑组织像素与其他非脑像素分离。T2加权成像、质子密度成像（PD）和液体衰减反转恢复成像（FLAIR）是临床上常用的MRI扫描序列类型。这些序列可以在两个层次上进行融合，即数据层和决策层。前者从所有数据源中提取特征并用于肿瘤分割，后者首先对每个数据源进行分割，然后根据一定的标准进行分割；所有分割结果都融合在一起。模糊度随着输入数据的增加而减少，从而提高了分割效果，但它会导致冗余，从而增加计算时间并影响决策。肿瘤亚区的分割只能通过多种模式的组合来实现，这需要一个精确配准的预处理步骤。大多数算法都能使用一些预处理进行图像增强，如去噪、强度归一化和偏置场校正，以平衡磁场不均匀性、配准和颅骨剥离的影响。算法的另一个挑战是数据集可能从不同的MRI扫描仪收集，并作为算法的输入。该数据集由不同强度的MR图像组成，因为不同MRI扫描仪的图像强度不一致。还有就是不同MRI扫描仪产生不同类型的噪声、层间强度变化，在肿瘤图像的对齐和配准图像时往往存在问题等。执行多种类型的预处理步骤以消除这些问题。因此MR 图像输入分类器前的预处理阶段是很重要的；否则，预处理阶段的疏忽将导致整个图像处理不规范。通常，图像的背景不会提供任何有用的信息，同时会增加处理时间。因此，要提高处理速度并减少内存使用，请删除背景、眼睛、头皮、颅骨和不感兴趣的区域。仅用于MR 图像的脑表面提取（BSE）算法可用于颅骨去除。使用BSE过滤图像，去除不规则和形态异常，进行检测边缘并分离大脑。它还可以进行图像掩膜和表面清理。Zhu等人提出的预处理方法主要是对T1加权图像进行颅骨剥离，然后对T1加权和T2加权图像进行联合配准。FMRIB 软件库（缩写为FSL）有一个线性图像配准工具（FLIRE），该工具可自动计算每个患者T2和T1加权图像之间的转换。用于T2加权磁共振成像的两种脑提取算法，即2D脑提取算法（BEA）和3D-BEA，被提出来。从T2加权数据集中提取大脑的原因是为了减小MRI的原始
数据提取的内存，从而减少采集图像时的传输时间。使用最大连接分量（LCC）分析和形态学运算获得大脑掩膜，从中提取大脑。2D-BEA 仅使用图层的二维信息。当LCC的在多个图层中连接失败时，利用相邻图层中可用的3D信息可生成3D-BEA。使用20个MRI数据集的实验证明，3D-BEA与2D-BEA和其他重要方法（如BSE和大脑提取工具（BET））相比表现异常出色。Ortiz等人研究中，开发了许多算法，如BSE、BET、混合分水岭算法（HWA）、McStrip算法等，用于从其他结构中提取脑组织。由于排除和纳入错误的频率，许多半自动和自动大脑提取技术在稳健性和准确性方面并不完美。在这些McStrip 中，有一种自动混合算法，无需用户干预。它用于非大脑和大脑分割，具有集成阈值、非线性包装和边缘检测的优点。
2.2 分割目标定位或边界检测、边界估计等都属于分割过程。人眼可以毫不费力地区分感兴趣的结构并从背景组织中识别出它们，但在计算机算法开发中，这是一个巨大的挑战。分割是整个数据分析结果的导向，因为后续步骤取决于对分割的区域的分析。分割算法的主要原理是基于区域生长、可变形模型、阈值以及模糊聚类和神经网络等模式识别技术使图像的强度或纹理发生变化。此外，还有基于区域和边缘分割、自适应和全局阈值、梯度算子、分水岭分割、混合分割和体积分割、监督和非监督分割等技术。一种新的方法是基于可变形模型，适用于具有弱边界、伪影和噪声的图像。分割是通过识别目标的所有体素或像素，或通过识别边界来实现。前者使用像素强度，而后者使用边缘值较高的图像梯度。分割通常被认为是一个模式识别问题，因为它涉及到像素分类。在医学图像分析中，混合分割方法最初是分割的基本步骤，然后是耗时且鲁棒的精细的分割方法。用于脑MRI全自动分割的混合算法包括阈值分割、直方图分析、可变形模型和非线性各向异性扩散。MRI脑肿瘤分割方法分为两类：生成模型（严重依赖于健康组织和肿瘤组织外观的领域特定先验知识）和鉴别模型（利用很少的大脑解剖先验知识，而主要依赖于提取大量低级图像特征，如原始输入像素值、局部直方图、纹理特征（如Gabor滤波器组）、基于对齐的特征（如图像间梯度、区域形状差异和对称性分析））。
经典的分类方法有支持向量机（SVM）和决策树。生成模型的缺点，以及与判别方法相关的校准问题，导致了联合生成判别模型的发展。这种方法在预处理步骤中采用生成技术，为连续的判别模型提供稳定的输入，该模型可以被训练成能够预测复杂的类。BRATS 2013的参与者使用了一个判别生成模型、一个生成模型和八个判别模型。其中，四名参与者使用的主要学习算法是随机森林（RF）。许多排名靠前的算法依赖于判别学习方法，在初始步骤中，生成图像的局部特征，然后使用判别分类器，将这些特征转换为类别概率。通常，在分割过程中，专业的临床医生使用鼠标手动勾勒出感兴趣区域（ROI）。在自动计算机辅助分割的情况下，阈值等参数必须自动设置。即使MR图像来自不同层厚、视野（FOV）和弛豫时间的MR扫描仪，自动算法必须具有鲁棒性，以便生成稳定的分割结果。混合技术也是有效的图像分割方法包括基于模型的方法和图像处理方法。计算机辅助技术（具有半自动或自动分割方法）用于标记MR图像的肿瘤区域，但前者使用用户定义的ROI，需要较少的计算时间，而后者需要较高的计算时间。因此，目前大多数临床研究都是在专家指导下进行人工分割或严格分割。这是因为分割性能受到操作者的级别以及所花费的时间的影响。因此，有必要采用自动化分割方法。有研究对从MR图像中分割多形性胶质母细胞瘤（GBM）的方法进行综述。表明区域增长FCM （模糊C-均值）混合和期望最大化（EM）的戴斯(dice)相似性指数最高。分割算法可以根据使用的特征进行分类。比如利用体素纹理和强度特征的聚类或分类方法，或者使用可变形模型的基于边缘或区域的技术。聚类根据相似性对数据进行分组，并通过无监督学习实现，而分类需要训练数据来学习模型。有经验和专业知识的放射科医生可以直观地分析MR图像，并做出准确的肿瘤预测。它们根据质地的异质性或同质性或考虑低、高或等强度标准来区分不同的肿瘤。这些可视化提取的特征为计算机辅助设计（CAD）寻找合适的数学特征描述符提供了指导。因此，他们在CAD系统的指导下，消除主观的可变性、模糊性，并对肿瘤的分类做出客观的决定。有研究明确指出，肿瘤生长在接收边界的再现是一个共同的方面，这是发展完美分割的另一个
动机，以便准确定义边界，从而确保在切除后没有病变组织残留。
2.2.1 手动分割一般来说，由专业的放射科医生通过手动分割获得的信息是高度可靠的。此外，最终审查必须由医生完成，因为他们对病灶细分过程较专业，所以拥有最终决定权。有文献对不同的临床医生进行的感兴趣区分割时，产生的分割结果可变性进行分析。从10名患者的数据中，四名临床医生基于边缘检测和Slicer的区域增长分割模块对GBM进行逐层分割，一次手动考虑逐层切片。手动分割所消耗的时间平均为10分钟，使用3Dslicer的半自动分割时间为5分钟。后者所需的时间是手动分割所需平均时间的61%。由于诊断医生组间的差异性，大概有四分之三的医生能对胶质瘤正确分类，这表明了手动分割的局限性。当在一个月内进行手动肿瘤分割时，结果显示出平均28%的观察者组间差异和20%的组内差异。这清楚地证明了获取用户独立和时间高效的脑胶质瘤分割方法的必要性。在文献[25]中，两位神经放射科医生通过使用ITKSNAP在3D扰相梯度回波（SPGR）图像上手动勾勒出异常区域和正常组织之间的边缘。放射科医生通常在T2和T1图像上通过高信号T2/T1病变与邻近健康组织之间的阈值边缘手动定义肿瘤外缘。对于2D测量，肿瘤大小的临床测量通常是短轴和长轴的乘积；对于3D测量，则是肿瘤三个主轴的乘积。在文献[17]中，专家按照各种方案（如立体定向或神经导航活检）、患者临床病史、经验和知识，通过图像视觉特征和有时CT成像特征，对肿瘤进行分级或手动定性。一位经验丰富的放射科医生利用病理细节在MR图像中对脑肿瘤进行分类。这些细节可能是异质或同质的纹理图案和可能是等、低和高的信号强度。表现为等、低和高信号的肿瘤分别与脑组织相同、比脑组织暗、比脑组织亮相对应。异质性肿瘤显示不同的信号强度区域，如肿瘤内的囊性和坏死部分，而同质性肿瘤在其整个区域显示相对相似的信号强度，如图1所示。
图1 脑肿瘤的T1加权磁共振图像通过人类的认知过程，融合2&3D图像中的不同视觉特征，生成最终病灶感知。因此，在诊断过程中，ROI的感知在很大程度上依赖于描述轮廓、运动、亮度和不同3D变化的特征。这些特征有助于放射科医生分析脑部MRI图层。MR
图像提供了丰富的关于大脑软组织解剖的信息，但这使得人工分析变得困难。因此，出现了对自动化图像分析工具的需求。然而，手动分割被广泛用于评估半自动和全自动方法的结果。最终，一种方法的完整性是通过黄金标准——手工分割来评估的。
2.2.2 半自动分割半自动方法需要用户交互，主要有三个目的：初始化、干预和评估。初始化可以定义一个ROI，包含近似的肿瘤区域，以便自动算法进行处理。需要干预来调整预处理方法的参数。通过接收反馈并提供相应的调整，可以驱动自动算法达到预期结果。最后，用户可以评估结果，并根据需求修改或重复该过程。对于多模态脑肿瘤，在[36]中提出了一种半自动分割方法。它具有在一分钟内快速分割、易于初始化和高效修改的优点。用户必须手动绘制大致覆盖肿瘤的ROI。该算法结合了水平集方法、基于边缘和区域的活动轮廓等图像分析技术。[37] 中提出了一种半自动分割方法，用于计算GBM的残余/复发肿瘤体积，以便更快地进行体积评估。通过手动分割和计算机辅助容量测定进行比较。在体积、二维和一维技术中计算组间相关性。对29例GBM患者的数据进行分析。当与计算机辅助容量测定相关时，1D和2D之间疾病状态的不一致性分别为3/29和5/29。计算机辅助容量测定法和手工法的平均分割时间分别小于1min和9.7min。与一维和二维测量相比，体积测量得到最高的组间相关性。因此得出结论，使用计算机辅助容量测定法进行快速和可重复的体积评估是可能的。AFINITI（治疗干预的神经成像辅助随访）是一个半自动的GBM分割软件。基于体素和基于形变的分割算法的优点都嵌入到软件中。对于每个数据集的自动化过程、交互式细化过程和未经校正的输出过程分别花费了大约20、4、不到1分钟的时间。但是对于手动分割，根据肿瘤特征，时间从30到90分钟不等。AFINITI软件在web 上免费提供。基于先验信息的随机游走算法（RW-PR）是一种交互式分割工具，在膝关节的3D CT图像上进行了测试。即使大多数半自动方法只有用户初始化，但仍需要用户交互以确保提高精度。需要加快这些技术，特别是3D技术，以减少接收输入信息和获取输出所需的时间。这项仲裁工作解释了一种加速半自动方法的方法，该方法由于人
为干预而缓慢。因此需要加快这些技术，特别是3D技术，以减少接收输入信息和获取输出所需的时间。有参考文献解释了一种加速半自动方法的方法，该方法由于人为干预而缓慢。在自动肿瘤分割方法中，一个经常被注意到的缺陷是它们不能分割异质肿瘤的复杂边界，并且消耗了大量的计算时间。但它们在分割实体均质肿瘤或周边强化肿瘤时效果良好。以此同时，既然ROI是基于用户定义的半自动方法，相比自动分割，它能够花费更少的计算时间。文献[20]中的结果表明，使用自动和手动分割程序定量测定生长的肿瘤的体积测量方法是远远不够的。其他方法如自适应模板调节分类或基于阈值的半自动方法可用于肿瘤体积、浸润和生长的量化。
2.2.3 全自动分割由于核磁共振成像与一个巨大的信息库相关联，因此无法对每个图像进行人工分析，从而为自动化工具的开发奠定了基础。在全自动方法中，肿瘤轮廓的获取不需要任何人工干预，在理论上非常有吸引力。当肿瘤类型不符合从训练数据集中学习到的分割模型时，分割结果可能是错误的。有研究[36]提出了一种算法，利用马尔可夫随机场模型，基于超体素和捕捉强度概率和边缘特征自动分割脑肿瘤。另一项研究[40]显示，能够在区分水肿、坏死核心和活性细胞的同时，对高级别胶质瘤（包括其亚区）进行自动分割。这种区别对待的方法依赖于决策森林。对两例III级肿瘤和38例IV级肿瘤的多通道MR图像进行验证。这些自动输出适用于肿瘤体积测量和辅助交互式治疗计划。文献[19]中提出了一项针对复发性胶质母细胞瘤的研究，以提高治疗反应评估的效率和准确性。采用改进的k-最近邻（kNN）分类方法对13例患者的59张纵向MR图像进行分类，以评估肿瘤体积的变化。然后将该方法与手动体积测量和Macdonald标准进行比较。即使对所有边界不清的浸润性肿瘤扫描，这种方法也是适用的。手动肿瘤体积测量和自动肿瘤体积测量之间存在高度相关性（r=0.96），但它们与Macdonald标准的匹配率仅为68%，即使这些结果通过磁共振波谱（MRS）和神经放射学家验证。研究[20]通过动态敏感性对比（DSC）成像对胶质瘤进行了表征，以确定使用FCM 聚类计算肿瘤体积是否与手动定义肿瘤体积具有相同的诊断效率。通
过这种方法，每名患者需要将近4分钟的时间生成一个二元胶质瘤体积，手动分割需要10分钟。当比较低级别和高级别胶质瘤体积时，自动方法显示出比手动方法更高的敏感性：低级别胶质瘤为83%，高级别胶质瘤为69%。尽管DSC成像显示了手术前胶质瘤定性的可能性，但这些方法仅限于领先的研究机构。使用多频谱数据分析、人工神经网络（ANN）、SVM和基于知识的FCM聚类技术进行肿瘤自动分割是很有前景的方法。自动执行肿瘤分割的好处是时间效率高，没有组间和组内的变异性，并且使用一致的基准来描述肿瘤。
2.3 特征提取特征提取可以定义为将图像转换为其特征的过程。特征提取方法包括：纹理特征、共生矩阵、Gabor特征、小波变换、决策边界特征提取、最小噪声分数变换、非参数加权特征提取和频谱混合分析。对于特征降维采用主成分分析、线性判别分析以及独立成分分析。将特征提取结合特征降维，可以实现精确的系统，该系统使用的特征数量更少，可以花费更少的计算成本。肿瘤类型和分级是决定脑肿瘤分割特征的两个主要因素。这是因为不同类型和级别的肿瘤在外观上表现出不同，可能是形状、位置、规律性、对比度等。通常使用的特征是假设不同组织具有不同灰度的图像强度。局部图像纹理是另一种常用的特征，因为肿瘤的不同区域显示不同的纹理模式。基于对齐的特征使用空间先验知识。基于对齐和纹理特征的组合在性能上表现出了相当大的改进。为了沿着肿瘤生长边缘轮廓，可以使用基于边缘的特征或强度梯度。对于特征提取，纹理可以建模为灰度变化的二维阵列。这种用于查找图像纹理图案的矩阵称为灰度共生矩阵（GLCM）。这种统计方法也称为灰度空间依赖矩阵，因为它提供了像素之间的空间关系。利用小波变换进行小波特征提取，对图像进行不同分辨率的尺度分析。然后将图像转换为具有多个频率分量的多分辨率图像。经过此转换后，可以同时分析图像的空间和频率特性。关键特征识别是设计高效专家辅助系统的一个重要方面。当算法能够发现肿瘤的特征并将患者年龄作为特征时，星形细胞瘤分级是可能的。事实上，提取特征是为了减少内存、时间和数据。特征提取至关重要，因为结果是基于提取的特征数据直接计算的。特征的有效
识别构成了一个最优特征集，同时减少了特征空间的冗余，避免了维数问题。传统上使用的特征（如图像强度、纹理、边缘和对齐）不一定与脑肿瘤的实际解剖意义相关，因为对于同一患者、使用同一扫描仪的同一身体区域，同一MRI模式中的MRI强度可能不同。因此，获取表示肿瘤相关解剖意义的附加特征在肿瘤分割中具有重要意义。小波变换、独立成分分析（ICA）和傅里叶变换可用于从MR图像中获取基本特征。在评估胶质瘤时，各种非发作性的诊断因素如钙化、血供、出血、水肿和年龄都很重要。最近的研究利用磁共振波谱特征或频谱和纹理特征的组合来区分脑肿瘤类型。无论研究采用了最新的分类器还是统计分析方法，磁共振波谱特征已被证明能够为精确的脑肿瘤定性提供附加值。有些技术基于极高维的特征，这在存储方面造成了困难。特征提取在分割过程中起着至关重要的作用，因为提取特征集是复杂的，随着不同的图像变化。
2.4 特征选择和降维现有的方法并没有利用太多的特征来描绘肿瘤病理学，也没有研究会穷尽所有方法提取所有完整的特征。但是，完全异构信息的使用导致了高维特征向量，这大大降低了系统的精度。因此，为了设计适当大小的鲁棒性脑肿瘤特征，减少不重要的信息，需要采用可靠的特征选择方法。更有效的技术基于降维使用更少的特征数量，但特征数量的减少通常以降低精度为代价。常用的特征选择算法有：遗传算法、顺序后向选择（SBS）、顺序前向选择（SFS）和粒子群优化（PSO），常用的降维方法有主成分分析（PCA）、核PCA和ICA。特征选择通过减少维数灾难的影响、加快学习过程、提高泛化能力和增强模型的可解释性来提高学习模型的效率。忽略这一阶段会导致特征空间维数过大，分类器性能较差。根据文献[51]，最常用的特征选择方法是PCA、ICA和遗传算法（GA）。PCA利用相关矩阵的最大特征向量将输入的特征空间转换为低维特征空间。而ICA将其转换为相互独立的维度特征空间。遗传算法基于评价函数对搜索结果进行评价来搜索最优特征集。此评估函数计算所选特征对分类问题的适用程度。当目标是将具有多个相关变量的输入特征集转换为较小的维数时，同时保留大部分变量以更快、更有效地处理数据，
PCA是合适的方法。在执行主成分分析时，通常保持至少97%方差的最小主成分集。文献[53]解释了许多用于特征选择的方法，这些方法适用于生物医学图像分类。分析了三种不同的技术，即排除具有相似属性的特征子集的多核学习（MKL）、以支持向量机为决策函数的基于遗传算法的方法和使用多分类器的递归特征消除（RFE）。建议的最佳技术是SVM-RFE，尽管MKL使用的特征数量较少。RFE技术侧重于共生矩阵特征，而MKL则选择基于小波的纹理特征，其代价是所选特征数量极不稳定。在统计学和机器学习中，通过特征选择可以获得最重要和最合适的信息。文献[42]解释了三种主要的特征选择方法，即包装模型、嵌入模型和过滤模型。首先是滤波器模型具有成本低的优点，但它充分避免了学习算法的影响。由于过滤器模型的缺点，出现了第二类，即考虑了训练集和算法之间相互作用的包装器模型。尽管包装器模型提高了精度，但计算成本很高。然后，在嵌入方法的情况下，将学习算法与加权过程或变量选择相结合。文献[54]中提出了一种特征选择技术，该技术包括特征排序和选择两个步骤。基于每个特征的识别能力，特征排名方法计算每个特征的排名。此外，保持具有最高等级的特征，以便创建仅具有相关特征的特征向量。与此不同的是，特征选择方法去除了冗余特征，并集中于选择有区别的特征。因此，通过排除冗余和不相关的特征，合并特征选择和排序可以减少特征。与单独应用特征选择方法相比，该方法具有更好的分类精度。进一步降维提高了分类精度；即使核方法对高维输入空间不太敏感。使用高维SVM处理较小的数据集和输入空间是常见的方法。如[49]中所述，一些提取的特征可能会降低分类器性能，并且所有特征可能在所有图像上都没有足够的鉴别能力。事实上，特征的提取和选择过程在决定分割性能方面起着至关重要的作用。
2.5 分类在一些方法中，分割问题转化为分类问题，通过训练和分类对脑肿瘤进行分割。一般来说，用于脑肿瘤分割的机器学习分类方法需要从不同的病例中进行大量具有已知基本事实的脑部MRI扫描。主要是将人工智能和先验知识相结合来解决分割问题。目前，通过深度学习方法可以获得较高的分割性能。最佳分类器设计中的考虑因素
包括：（a）分类精度，（b）算法性能，（c）计算资源。脑MRI分类是利用神经网络、支持向量机、k-NN等有监督技术以及自组织映射（SOM）和FCM等无监督分类技术实现的。自动脑肿瘤分割可以分为两种类型，即区分方法和生成方法。以前的研究表明，在其他自动方法中，基于判别分类的方法通常表现最好。判别方法通过特征和特征提取来学习输入图像与目标图像之间的关系。在大多数情况下，他们使用有监督的学习技术，需要具有有效基本目标的大数据集。另一方面，生成方法利用健康组织的位置和空间范围等先验知识生成概率模型。以前获得的健康组织图谱用于提取未知的肿瘤区域。然而，将先验知识转换为合适的概率模型是一项复杂的任务。判别法分割的步骤包括预处理、特征提取、分类和后处理步骤。1. 预处理步骤通常包括去噪、去头盖骨和强度偏差校正。2. 在预处理之后，利用图像处理技术有效地提取代表每种不同组织类型的特征。特征，如强度、纹理、不对称相关特征；例如离散小波变换（DWT）、文本、多重分形布朗运动特征、一阶统计特征、强度梯度和基于边缘的特征。3. 通过使用这些特征，训练不同类型的分类器；实现了支持向量机、神经网络、kNN、SOM和RF。4. 在某些情况下，分割结果会被细化以提高性能。条件随机场（CRF）和连通分量（CC）是最常用的选择。与传统的分类方法（提取的特征输入网络）不同，卷积神经网络（CNN）直接从数据本身自动学习具有代表性的复杂特征。因此，基于CNN的脑肿瘤分割的研究主要集中在网络结构设计上，而不是通过图像处理来提取特征。从图像中提取的面片作为输入，并使用可训练卷积滤波器和局部子采样来提取日益复杂的特征层次。
3 MRI-CAD方法的发展趋势以下部分给出了用于脑肿瘤分类的各种CAD方案的详细方法。这些方法分为全自动和半自动2D& 3D用户交互方法。在所有方法中，框架如图2所示。
图2 磁共振成像计算机辅助诊断的常用方法3.1 全自动2D& 3D 用户交互方法3.1.1 模糊逻辑算法文献[28]中使用了一种II型近似推理方法，结合中值、非锐化掩膜和维纳滤波器进行预处理。预处理后的结果是锐化了边缘，降低了噪声，并且总体输出优于使用单个滤波器
的结果。该系统使用异常簇确定肿瘤，使用脑脊液（CSF）簇确定肿块效应。对于近似推理，考虑了三个参数，即患者年龄、肿瘤形状（肿块或囊性）和肿块效应的存在。当考虑肿瘤形状时，如果是肿块，肿瘤可能是III级或II级，如果是囊性的，则可能是IV级或I级。在文献[10]中，使用模糊C均值（FCM）和K-均值聚类方法进行分割。在这两种情况下，FCM聚类产生更好的分割效果。采用广义回归神经网络（GRNN）、径向基函数（RBF）、概率神经网络（PNN）和模糊概率神经网络分类器（FPNNC）进行分类。结果表明，尽管FCM的计算时间较长，但FCM的均方误差小于K-均值法。因此，FCM的准确度相对较高。文献[55]清楚地描述了使用单个患者的单个平面提供的关于肿瘤的信息不足。重点是研究基于区间2型模糊方法对星形细胞瘤的MR图像进行鉴别的自动肿瘤检测方法。预处理采用2型模糊图像增强（T2FIE）技术，分割采用区间2型模糊集理论和相对熵。在近似推理步骤中，根据8条特征定义规则提取特征，检测并区分星形细胞瘤。相比之下，文献[9]提出了一种基于多尺度模糊C-均值（MsFCM）的MR图像全自动分类方法，实现低对比度和噪声的鲁棒性。通过各向异性扩散滤波，MsFCM算法从最粗尺度到最细尺度进行分类。分类必须首先进行初始化估计，因为它是一个迭代算法。为了在对比度较差的图像上验证该算法，合成了对比度差异的图像，可以看出，随着对比度的降低，FCM和改进的模糊C均值（MFCM）的性能较差，而MsFCM仍然达到80%以上的重叠率。对于新生血管评估和脑肿瘤检测，在文献[56]中提出了一种多阶段自动方法，主要分六个主要阶段。该系列磁共振图像通过大脑对称性进行记录。使用相对脑血容量（rCBV）灌注图区分低级别和高级别胶质瘤。该方法的第一个局限性是，检测大脑对称线和配准需要手动校正。其次，可能无法自动确定rCBV阈值。在诊断过程中，有经验的放射科医生需要查看其阈值。优点是每次检查的阈值都可以在CAD工作站中更新。在这项工作中，差分图像方法用于肿瘤分割，核化模糊C-均值（KFCM）方法用于特征提取。rCBV是肿瘤血管生成的指标。MR序列成像仍然是一种成功的鉴别诊断工具，因此到目前为止灌注加权图像（PWI）/rCBV
很少用于脑肿瘤分割。在[47]中，使用MRI进行低/高星形细胞瘤肿瘤分级的非侵入性鉴别也采用了类似的方法。这项工作的重点是仅从MR 图像确定分级，而不是使用活检或MRS。主要参数的自动选择是使用混合蛙跳算法（SFLA）完成的。它结合了粒子群算法和文化基因算法（MA）的优点。结果表明，基于形状的特征具有最大的适用性。在这项工作中，与其他特征相比，面积在两个等级之间表现出很大的差异。因此，面积计算是一个主要因素，因为肿瘤的大小在很大程度上决定了它的分级。在其他方法中，FCM分割是肿瘤分级的最佳解决方案。还指出朴素贝叶斯分类器一次只能对一幅图像进行分类，而学习矢量量化（LVQ）和支持向量机分类器可用于海量图像分类。文献[14]中使用了一种使用K-均值和FCM算法相结合的混合聚类方法进行图像分割。该技术的优点是，K-means比FCM能更快地发现肿瘤，但FCM发现的肿瘤细胞未被K-means检测到。特别是对于恶性肿瘤，K-means算法存在肿瘤检测不完全的问题，但该算法在大数据集上运行良好，且简单快速。FCM与K-means相比，K-means保留了更多关于原始图像的信息，用于准确的恶性肿瘤检测。研究[8]针对强度不均匀的MR图像提出了一种广义粗糙FCM，将其分割为背景、脑脊液、白质（WM）和灰质（GM）。在这种混合聚类方法中，FCM和粗糙c-均值相结合。
3.1.2 自适应神经模糊推理系统根据文献[46]中的自动种子点选择范围，使用自适应神经模糊推理系统（ANFIS）区分大脑异常和正常脑组织，在参考文献[57]中，它将脑肿瘤区域分为良性和恶性，在[50]中也将脑肿瘤区域分为5种类型。对于预处理，文献[46]使用了各向异性扩散滤波器，该滤波器保留了边缘并去除了噪声。所使用的特征是GLCM（灰度共生矩阵）、局部二进制模式（LBP）和用于训练ANFIS 的小波特征。适应神经模糊推理系统的其他输入包括从病理图像中提取的特征、肿瘤面积、同质性和熵。在文献[57]中，使用形态学滤波从二值图像中提取图像成分。为了提高精度，使用形态学操作（如形态学开操作、闭操作、膨胀和腐蚀）完成后分割过程。ANFIS的一个优点是收敛速度快。ANFIS使用基于模糊集理论的模糊规则和模糊推
理。在[50]中，ANFIS与ANN和kNN进行了比较。类似地，用于确定I至IV级星形细胞瘤脑肿瘤的图像分割技术[45]首先进行预处理，使用GLCM进行特征提取，使用特征选择（GA模糊粗糙集），最后使用ANFIS进行图像分割。在这项工作中使用了两个隶属函数（高和低）以及100条if-then规则，形成ANFIS输入。
3.1.3 支持向量机在[15]中，肿瘤分割和肿瘤区域的检测和描绘分别由全自动系统完成。大脑半球之间的直方图不均匀性用于肿瘤分割检测，因此当肿瘤位于中线时会出现限制。在特征提取方面，最初的空间、频率和多分辨率纹理信息基于Gabor小波方法，该方法能够确定位置、频率和方向。统计方法采用灰度游程矩阵（GLRM）、GLCM、LBP和方向梯度直方图（HOG）。通过这些特征提取方法，证明了像素组或两个图像像素之间的强度关系。研究还发现，随着基于纹理特征的应用，降噪会降低分类精度。类似地，在[54]中，通过基于一组分类器的自动CAD系统将MR图像恶性或良性肿瘤进行分类。使用直方图分析，确定大脑中的簇数。提取三维和二维肿瘤特征，利用Haar 小波对良恶性肿瘤进行有效鉴别。特征选择采用独立成分分析，特征排序采用信息增益。类的预测是通过结合ANN、kNN和SVM等多分类器的决策来完成的。为此，使用乘积、和、中位数和均值的组合规则对三个分类器的决策进行整合。最后，图像被标记为具有最大值的类。该方法对脑肿瘤的特征提取分别需要12秒来提取完整特征向量和4-5秒进行特征选择和降维。在[3]中，通过利用侧脑室变形（LaV）与脑肿瘤压迫之间的相关性，测量LaV变形，并将其从轴向视图的2D 图像转换为特征数据。该方法利用大脑半球对称性，应用动态创建的LAV模板。所提出的方法通过 3D 视图观察模型对齐和 LaV 变形。为了分离脑脊液组织，使用了动态小波融合的FCM（dwFCM）。本研究假设，在大多数脑瘤患者中，肿瘤和水肿存在于一个半球，并符合这一假设；模板图像通过镜像受肿瘤影响较小的半球获得。使用向量场卷积（VFC）活动轮廓模型进行大脑分割，然后使用[27]中的三个SVM分类器将脑组织分类为GM、WM和CSF。各向异性扩散滤波器用于校正射频不均匀性，这是一种迭代滤波器。像素之间的欧几里
德距离和强度平方以及简单的特征用于大脑分割。研究[8]得出结论，只有在没有强度不均匀性和高噪声的情况下，这些特征才能显示出更好的输出，因此用统计特征代替它们可以提供更好的结果。[43] 中提出了三种分析方法来消除对分类没有影响或影响较小的特征。它们分别是PCA、ICA和皮尔逊相关系数（PCC）。采用支持向量机结合RBF 核方法根据患者年龄和肿瘤全脑血容量（CBV）直方图进行肿瘤分级。当特征向量从101个主成分减少到3个时，主成分分析给出了85%的最佳分类精度。在这项研究中，年龄是最好的预测因素，因为它与其他特征无关，也不是血流动力学参数。
3.1.4 人工神经网络采用不变矩特征提取方法，基于神经网络分类器将MR图像分为恶性、良性和正常三类。基于7个旋转不变量的三次微分，提取了不同的图像特征。特征选择采用基于二元关联规则（AR）的规则剪枝技术。它结合了专家提供的高级信息和提取的低级图像特征，排除了冲突的规则，并且通过规则修剪技术进行特征选择，选择的特征作为分类器的输入。这项工作的一个优点是，不变矩特征提取方法在少数异常特征的基础上进行形状区分。在这种基于AR的神经网络分类中，提取的特征从7个减少到3个。AR方法的一个缺点是在识别规则时提供了用户提供的最小支持值和最小置信度。有研究基于离散小波变换（DWT）获取MR图像特征，然后使用PCA进行特征降维，最后使用两个分类器进行分类，即[59]中的kNN和前馈-反向传播网络（FFBPNN）。基于有效的工具进行特征提取如小波变换，能够在不同分辨率水平上进行图像分析。但是，小波变换的代价是计算量大和存储量大。同时为了降低特征向量的维数和提高鉴别能力，采用了主成分分析法。输入矩阵大小从1024减少到7。文献[60]提出了一种采用前馈神经网络（FFNN）、多层感知器（MLP）和反向传播神经网络（BPNN）的脑肿瘤自动分级方法。使用GLCM和GLRM提取脑肿瘤分级的特征。GLRM是沿一定方向具有相似灰度强度的连续像素，GLCM提取二阶统计特征。在GLRM中，精细纹理具有类似灰度强度的短游程，而粗糙纹理由不同强度的长游程组成。模糊熵方法用于选择最优特征。与其他分类器相比，BPNN的分类准确率高达
96.7%。为了准备训练数据，从每个MR图像中提取13个Harlick纹理特征。该数据被引入三个人工神经网络（FFBPNN、递归和Elman 网络）作为输入的目标向量。结果解释了Elman网络，带有对数sigmoid的激活函数，在其他ANN中性能最好，性能比为88.24%。在另一项研究中，在[62]中提出了一种使用人工神经网络对肿瘤分级的自动脑肿瘤检测和分割方法，准确率为95.30%。为了去除MR图像中常见的椒盐噪声，使用中值滤波器。采用快速包围盒（FBB）方法检测脑肿瘤。这里通过输入10个特征来训练神经网络对肿瘤进行分类。目标矩阵为二至四级，仅为3个等级。有研究计算每个2D MR图像的强度直方图，并在此直方图上应用Slantlet变换进行特征提取。Slantlet变换输出的大小对应于六个空间位置，这六个位置创建每个图像的特征向量。基于神经网络的二值分类器由这些特征训练而成，如果图像是阿尔茨海默病病理大脑或正常大脑，二值分类器将自动进行推断。在训练阶段，快速收敛由Levenberg–Marquardt算法提供，该算法是BPNN算法的变体。这项研究假设即使分类器输入低至6个特征，其精度也有相当大的提高，其精度与[18]中的方法进行了比较。使用比例共轭梯度（SCG）将大脑MR图像分为异常或正常，该梯度计算了[64]中BPNN的最佳权重。由于基本反向传播算法的权值是在最陡下降方向上调整的，因此不需给出快速收敛，所以使用SCG算法。小波变换（WT）代表了可变大小的加窗方法，用于特征提取，因此保留了信号频率和时间信息。三级小波分解大大减小了输入图像的大小。虽然提取的特征从65536减少到1024，但它太大，无法计算。因此，基于PCA和BPNN进一步将特征降维为19个主成分。PCA用于特征提取，PNN(概率神经网络)用于将脑肿瘤分为良性、恶性和正常三类。此外，恶性肿瘤进一步被分为脑膜瘤和胶质瘤。文献[16]中提出了一种混合、廉价且无创的机器学习方法，用于从MRI自动检测脑肿瘤。每当图像数据库大小增加时，这项工作都需要新的训练。在该技术中，预处理由中值滤波和高通滤波完成，图像分割由反馈脉冲耦合神经网络（FPCNN）完成，特征提取由DWT完成，降维由PCA完成，输入分类为异常和正常图像由前馈BPNN完成。文献[66]中提出了一种利
用CNN进行3*3核自动分割的方法。CNN在使用内核的模块上运行，具有不容易过度拟合的好处，因为与大内核相比，小内核的权重较小。与低级别胶质瘤（LGG）相比，高级别胶质瘤（HGG）使用更深层次的结构，因为更深层次的结构不能为LGG提供更好的结果。对于较小的LGG训练集，更深入的训练意味着包括更多权重层，但可能会导致过度拟合。提取了大约335000和450000个图像块，分别基于LGG 和HGG训练CNN。通过数据扩充，获得了大约四倍于这些数字的有效训练样本。文献[67]中用类似方法研究了使用多相MR图像的脑肿瘤分级，并将结果与BPNN和CNN进行了比较。内核在不同的层次上对一些从CNN获得的自学习特征进行训练。CNN的一个主要优点是，内核从无监督的学习过程中学习，它可以作为模型的噪声抑制器和特征增强器。训练集分布不均匀可能会导致CNN训练失败。对于深度学习机器，一个关键因素是训练样本量。文献[41]中提出了另一种使用深度学习的方法。基于CNN能同时具有更多全局上下文特征和局部特征的优势。该模型迭代了大约220万例肿瘤图像模块，并遍历了320万例健康图像模块。分割整个大脑所需的时间从25秒到3分钟不等。由于BRATS数据集缺乏3D分辨率，该模型按顺序处理每个2D轴向切片，其中每个像素与不同的图像模态相关联。CNN的一个缺点是，需要分别预测每个分割标签。其优点是，两阶段训练程序允许模型从更真实的标签分布中学习。
3.1.5 自组织映射文献[35]中提出了一种自动混合自组织映射和模糊K-均值（FKM）算法，用于识别良恶性肿瘤。在该方法中，聚类还执行对水肿部分和肿瘤区域的分割过程。分两阶段进行聚类，一次由SOM(自组织映射)进行聚类，然后由FKM进行聚类。这项工作的优点是，为了提高FKM算法的性能，基于SOM进行了初始级别的聚类。FKM中的贪婪K-均值算法提供了更快的收敛速度。同样在HGG的情况下，该组合算法可以准确地识别肿瘤区域的可变维数。小波特征被输入到神经网络SOM和SVM中，用于将MR脑图像分类为正常或异常，前者的准确率为94%，SVM的准确率为98%。作为一种无监督的算法，SOM可以自动生成相似图和产生抽象特征，这是区别于其他
MR07-02-01颅脑肿瘤MRI诊断要点
MR07-02-01颅脑肿瘤MRI诊断要点 脑外肿瘤有哪些特点？ Case contributed by Dr Hani Salam 颅脑肿瘤MRI诊断要点 (一)肿瘤的部位 肿瘤的定位在诊断中极其重要,正确定位是正确诊断的前提。对脑部肿瘤而言,定位需要确定肿瘤是在脑内还是在脑外。通常脑外肿瘤有以下特点： (1)肿瘤以宽基底紧贴在颅骨内侧面。 (2)邻近肿瘤的蛛网膜下腔增宽,或在脑沟、裂、池内发现异常信号。 (3)邻近脑白质受压,向脑室方向移位,即“白质挤压征”阳性。 (4)肿瘤较大时,脑室缘有裂隙状脑脊液信号,系脑池或脑沟向脑室方向移位所致 (5)有时出现“假包膜”征象。 结合MRI直接行多方位扫描的优点,多数情况下可作出颅脑肿瘤的正确定位诊断。 (二)肿瘤信号特点 绝大多数肿瘤由于肿瘤细胞内和(或)细胞外含水量高于正常组织,因此在T1加权像呈低信号,在T2加权像呈高信号,构成了肿瘤信号改变的共同特征。但定量测定其T1和T2弛豫时间对诊断的帮助并不大,仅凭T1和2值既不能鉴别肿瘤与非肿瘤,也不能区分肿瘤的类型。颅脑肿瘤成分复杂多变,其信号改变也呈多样性。有些肿瘤整体或部分含有特殊成分,在T1加权像也可表现为高信号,见于颅咽管瘤、胶样囊肿、脂肪瘤、皮样囊肿、畸胎瘤、含有出血成分的肿瘤,以及含有黑色素的转移瘤等;有些肿瘤整体或部分在T2加权像 可表现为等或低信号,如脑膜瘤(70%)、结肠癌或前列腺癌的脑转移、少突胶质细胞瘤30%)、淋巴瘤(10%-15%),以及髓母细胞瘤等。结合临床资料及特殊信号特点,若辅以正确的定位诊断,大多数颅脑肿瘤可得到正确诊断。
通常信号均匀的肿瘤多为良性,信号混杂的肿瘤多为恶性,但也有例外。例如:良性颅咽管瘤,因具有囊变成分可以呈高低不均匀信号,囊变或坏死的信号在T1加权像比实性肿瘤更低,而 在T2加权像表现为更高信号;亚急性期出血灶在T1和T2加权像均为高信号;钙化灶在T1加权像可呈高信号或低信号,而在T2加权像上为低信号。这些因素都可以引起肿瘤信号不均匀。 (三)肿瘤的边缘 良性肿瘤(如脑膜瘤、神经鞘瘤、毛细胞型星形细胞瘤、垂体瘤等)通常边缘清楚,而恶性肿瘤(如Ⅲ、IV级星形细胞瘤)通常无明确边界,有些肿瘤具有假包膜,对定性诊断有一定意义。例如:脑膜瘤的假包膜在多种脉冲序列图像上均呈低信号,其形态学基础为肿瘤周围受压移位的血管,肿瘤周围受压的脑实质,黏连的纤维化环状结构,或者直接显示了硬脑膜。70％直径大于4cm的脑膜瘤都有假包膜。 (四)肿瘤的血供 肿瘤在T2加权像通常为高信号,而瘤周或瘤内的肿瘤血管因流空而呈低信号,因此在T2加权像很容易显示肿瘤血管,若出现此征象,则提示肿瘤的血供丰富。在垂体瘤中若出现海绵窦颈内动脉被肿瘤包绕,则提示海绵窦受累;窦旁脑膜瘤也可侵入静脉窦。通常流空信号提示动脉血流或流速较快的静脉血,高信号则代表流速缓慢的静脉血。 (五)肿瘤的增强 肿瘤增强的前提是具有异常增多的血管及血液供应,对脑内肿瘤而言,增强还同时意味着血脑屏障破坏。部分肿瘤在常规平扫显示得不明显或边界不清楚,对这些怀疑肿瘤的患者、进行增强MRI扫描有助于确定肿瘤的诊断,尤其对直径2cm以下的小脑膜瘤和小转移瘤的检出更是如此。一般认为,肿瘤的增强程度代表其恶性度,恶性程度越高,强化就越明显、但是实际上并非总是如此。例如:脑外肿瘤的增强很明显,但绝大多数为脑膜瘤或神经鞘瘤等良性肿瘤。脑内肿瘤的恶性程度常与增强程度一致,但也有例外,例如:I级星形细胞为良性肿瘤,但其强化程度超过Ⅱ级甚至Ⅲ级星形细胞瘤。此外,还应注意治疗(如放射治疗)后强化部分不一定提示肿瘤残留或复发,可能为治疗引起的反应性改变。
脑干胶质瘤的MR分型及诊断价值
脑干胶质瘤的MR分型及诊断价值 【摘要】目的：研究脑干胶质瘤的MR诊断价值。方法：研究手术和病理证实的58例脑干胶质瘤的临床资料。所有病人都作了MR常规扫描，56例作了增强检查。结果：脑干增大膨突53例，肿瘤效应55例，基底动脉包埋征9例，脑积水5例。肿瘤T2WI高信号、T1WI低信号。49例有对比增强，表现为片状、结节或肿块状、环状、结节--环状。脑干胶质瘤可分为：弥漫型（n=16）、内外生长型 （n=29）、向外生长型（n=4）、局限型（n= 5）和延髓型（n= 4）。结论：MR诊断脑干胶质瘤有独特的价值。该肿瘤的分型对临床制定治疗方案和评价预后有重要意义。 【关键词】磁共振；脑干；胶质瘤 脑干胶质瘤儿童较多见、占儿童后颅窝肿瘤的25％。脑干胶质瘤的MR表现及其分型有少数文献报告，但对该肿瘤MR分型的研究，国内尚未见有文献报告。作者通过研究58例脑干胶质瘤的MR表现，以探讨该肿瘤的MR分型与诊断价值。 1 材料与方法 本组58例都是在本科作MR检查，分别在本院和南宁的医院手术及病理证实的病例，其中男 38例，女20例，1～5岁9例，6～10岁17例，11～15例14例，16一21岁3例，22～60岁15例。临床表现有：头痛、呕吐、四肢无力、走路不稳、偏瘫、眼外展受限、复视等，症状是进行性加重。58例中，星形胶质细胞瘤1级12例，2级16例，l~2级9例，2~3级17例，3级4例。 MR检查用 Elscint 公司的 GYREXVDLX 0.5T超导MR装置。所有病人都做了2～3个平面的扫描，包括轴位、矢状位、冠状位。成人T2WI TR／TE=4500/120ms、TIWITR/TE＝450/20ms、儿童T2WI TR／TE=5500/120ms、TlWI TR/TE 400/25ms，层厚5mm，层距5mm，视场24cm´25mm，矩阵TWll80´250，T2WI256´256。56例做了Gd―DTPA增强扫描。 2 结果 2.1 脑干肿瘤的部位：桥脑30例，桥脑和中脑10例，中脑3例，桥脑和延髓3例，延髓8例，延髓和颈髓4例。 2.2 脑干增大、膨突：（l）对称性增大，表现为脑干增大，周围膨隆匀称，呈类圆形或梭形16例，球棒状4例。（2）不对积增大，表现脑干增大形态不规则33例，其中桥脑向右前和右后方增大6例，左前和左后方增大8例，左右侧方增大6例，右前和右后方增大4例，左后方增大5例；外生性向后增大4例，其中2例突入第四胞室。脑干外形不大5例。 2.3 脑干肿瘤的形态和大小：类圆形27例，不规则形31例，桥脑最大肿瘤 6.0´4.0´5.0cm，最小2.5cm´3.0cm´3.0cm，延髓最大2.5cm´2.5cm´3.0cm，最小1.0cm´1.5cm´2.1cm，中脑最大4.0cm´5.0cm´2.5cm，最小2.0cm´1.5cm´1.8cm。 2.4 信号改变：肿痛表现为长T1和长T2弛豫时间，即T1加权是低信号，T2加权为高信号。56例Gd--DTPA增强后，49例不同程度对比增强，其中片状强化12例、结节或肿块状15例。环状11例，结节和环状9例，不规则2例，无强化表现
常见颅内肿瘤的影像学表现
一、胶质瘤 二、胶质瘤起源于神经胶质细胞,包括、少突胶质瘤、和脉络丛乳头状瘤等; 最常见的原发性脑肿瘤,约占颅脑肿瘤的40%-50 %; 星形细胞瘤为胶质瘤中最常见的一类肿瘤占 40%,占颅内肿瘤的 17%; 成人多见于幕上,儿童多见于; 星形细胞瘤多位于大脑半球白质区,传统的柯氏Kernohan 分类法将星形细胞瘤分为 I-Ⅳ级：I 级呈良性；Ⅲ、Ⅳ级呈恶性；Ⅱ级是一种良恶交界性肿瘤; 另一种为三类法,即“良性”或低度恶性星形细胞瘤、间变性星形细胞瘤、多形性胶质母细胞瘤;其中 I、Ⅱ级相当于“良性”或低度恶性星形细胞瘤, Ⅲ级相当于间变性星形细胞瘤,Ⅳ级为胶质母细胞瘤; “良性”或低度恶性及间变性星形细胞瘤各占星形细胞瘤的 25%-30%;可发生于任何年龄,但多发于青年人,成人好发于幕上,儿童好发于小脑; 胶质母细胞瘤占星形细胞瘤的 40%-50%,好发于中老年人,多位于幕上; 局灶性或全身性癫痫发作是本病最重要的临床表现,神经功能障碍和颅内压增高经常在后期; 影像学表现 1．CT： 1幕上 I、Ⅱ级星形细胞瘤：
大多数表现为脑内低密度病灶,少数为混合密度灶,部分病人瘤内可见钙化; 肿瘤边界不清晰,瘤周少见且较轻; 增强后扫描常无明显强化,少数表现为肿瘤或囊壁和囊内间隔的稍微强化,有的有壁结节甚至花环状强化; 2幕上Ⅲ、Ⅳ级星形细胞瘤： 病灶密度不均匀,以低密度或等密度为主的混合密度最多; 肿瘤内的高密度常为出血;低密度为肿瘤的坏死或囊变区;肿瘤多有脑水肿; 增强扫描几乎所有的肿瘤均有强化,可呈不规则的环状或者花环状强化,在环壁上还可见强化不一的瘤结节;若沿向对侧生长则呈蝶状强化,占位征象明显; 3小脑星形细胞瘤： 囊性者平扫为均匀水样低密度,边界清晰,囊壁可有钙化, 增强扫描囊壁结节不规则强化;壁结节较大,在1 cm 以上; 实性者平扫为以低密度为主的混合密度,多数有坏死囊变区,肿瘤实性部分变化可有明显强化; 多有水肿,第四脑室受压移位、闭塞,上位脑室扩大,受压前移,桥脑小脑角池闭塞; 2．MRI： 1幕上星形细胞瘤：
深度学习和影像组学在头颈部恶性肿瘤影像学中的研究进展(2020完整版)
深度学习和影像组学在头颈部恶性肿瘤影像学中的研究进 展（2020完整版） 摘要 影像组学模型建立在手工提取特征的基础上，而深度学习可以自动学习这些特征，两者结合的应用前景更加广阔，是目前影像学发展的热点和焦点。目前已有较多学者利用影像组学和深度学习对头颈部恶性肿瘤的影像学研究进行了深入讨论。笔者就深度学习和影像组学在头颈部恶性肿瘤分期、鉴别诊断、转移淋巴结的评估、肿瘤的基因型预测及预后的辅助判断等方面展开综述。 随着科学技术飞速发展，放射学处于一项重大技术变革——人工智能的边缘，其已在疾病检测、解剖分割及影像图像质量评估等诸多方面取得了较好的应用成果［1］。深度学习是目前人工智能发展的热点和焦点，影像组学可以提取图像的内在特征，两者联合拥有更加广阔的应用前景。笔者针对深度学习、影像组学以及基于深度学习的影像组学（deep learning-based radiomics，DLR）在头颈部恶性肿瘤影像诊断方面的研究现状进行综述，旨在讨论未来人工智能在影像诊断方面的发展方向。 一、深度学习和影像组学的概念 所谓深度学习是指通过组合低层特征形成更加抽象的高层特征或类别，进而从大量的输入数据中学习有效特征，并把这些特征用于分类、回归和信
息检索的一种技术。其模型种类众多，目前在医学影像学领域，卷积神经网络（convolution neural network，CNN）的应用最为广泛。 影像组学是指从CT、MRI、PET-CT等图像中高通量地提取大量信息，包括一阶统计特征、空间几何特征、纹理特征和小波特征，从而将感兴趣区（region of interest，ROI）的影像数据转化为具有高分辨率的空间特征数据，进而实现病变特征的提取与模型建立。其中，logistic回归模型因其简单易行，是目前最受欢迎且常用的监督分类器，其他常用的分类器还包括决策树、神经网络、支持向量机、贝叶斯分类器和随机森林等。 影像组学模型建立在手工提取特征的基础上，而深度学习可以自动学习这些特征［2］。为了克服影像组学的不足，一个更可靠、更先进的混合模型应运而生，它同时利用了影像组学和深度学习的策略，称之为DLR。与现有的影像组学方法不同，在DLR中，高通量的图像特征直接从深度神经网络中提取，不涉及额外的特征提取操作，因此不会由于特征计算而给分析带来额外误差，特征的有效性只与分割的质量有关。目前DLR模型已成功应用于头颈部恶性肿瘤的基因型预测［3, 4］、术前分期［5, 6］、淋巴结转移预测［7］、预后评估［8］等诸多方面。 二、深度学习和影像组学在头颈部恶性肿瘤影像学中的研究焦点 目前，影像学在评价头颈部恶性肿瘤方面主要涉及以下3个焦点：（1）如何在术前根据肿瘤的分期、鉴别诊断准确指导临床治疗方案的制定，并针
常见颅内肿瘤CT,MRI诊断特点
&颅内肿瘤为常见病，约占神经系统疾病的1/4。按来源分：原发性肿瘤：源于颅骨、脑膜、血管、垂体、脑神经、脑实质和残留的胚胎组织的肿瘤。转移性肿瘤和淋巴瘤。按部位分：幕下肿瘤：常见于婴儿及儿童。幕上肿瘤：常见于成人。 &肿瘤定位征：①颅壁局限性变化;②蝶鞍变化;③岩骨及内耳道变化;④钙斑; ⑤松果体钙斑移位。 &星形细胞瘤[临床表现] 以20-40岁多见，其临床症状、体征随肿瘤分级和部位不同而异。常见有颅内压增高和一般症状，如头痛、呕吐、视力减退、复视、癫痫发作和精神症状[影像学表现] X线：可正常或仅有颅压增高或钙化。2. CT： ⑴Ⅰ、Ⅱ级星形细胞瘤：①平扫：颅内均匀低密度病灶，CT值18~24 HU多数与脑质分界不清，占位表现及脑水肿可不明显。②增强：Ⅰ级无强化或仅轻度强化。Ⅱ级可 表现为连续或断续的环形强化。（2）Ⅲ－Ⅳ级星形细胞瘤①平扫：表现为低密度、略高密度或混杂密度病灶或囊性肿块，可有点状钙化和肿瘤内出血，与脑质分界不清，形态不规则。占位表现及周围水肿均较显著。②增强：因肿瘤血管形成不良，造影剂易发生血管外溢，故有明显强化。形态与厚度不一，在环壁上有时出现一强化的肿瘤结节，是星形细胞瘤的特征。有时可呈边界不清或清楚的弥漫性或结节性强化诊断要点：①癫痫、脑损伤的定位征象，高颅压表现②Ⅰ、Ⅱ级星形细胞瘤CT以低密度为主，坏 死囊变少，占位征象轻，强化少。③Ⅲ、Ⅳ级级星形细胞瘤CT以混杂密度为主，呈花环状，坏死囊变多，占位征象重，均有强化④小脑星形细胞瘤多位于小脑半球，囊中有瘤，瘤中有囊，实质部分强化明显，易出现阻塞性脑积水。 ⑤MRI示T1WI为低信号，T2WI为高信号 &少突胶质细胞瘤1.CT表现：①多为混杂密度肿块，边缘不清楚；囊变区呈低密度。②瘤内有钙化（70%），呈条状、斑点状或大而不规则，其中弯曲条带状钙化有特征性。③瘤周水肿轻，占位效应轻。④增强示肿瘤轻至中度强化，亦可不强化；不典型病例可表现为皮质低密度，类似脑梗死灶。2.MRI表现：①大多数肿瘤轮廓可见，T1WI为低信号，T2WI为高信号。水肿轻微。②肿瘤内部T1加权、T2加权可见不规则低信号影（为钙化所致）。③大多数肿瘤呈斑片状，不均匀轻微强化。④恶性者水肿和强化明显，与Ⅲ、Ⅳ级星形细胞瘤不易区分。 &脑膜瘤1.CT表现：呈圆形、卵圆形或分叶边界清楚的稍高密度或等密度病变，10~20%有星状、颗粒状或均匀一致的钙化，很少囊变或坏死。60％有瘤周水肿，肿瘤与颅骨内板和脑膜的关系密切。邻近颅骨可增生肥厚或变薄（具有特征意义的诊断征象）。增强为显著而均匀一致强化，边界清楚锐利。增强幅度为40～50HU或更多。2.MRI表现：脑膜瘤在T1WI上信号与邻近脑组织的脑皮质相似为等信号，而与脑白质比较为低信号。在T2WI 上为高、等、低信号。注射GD-DTPA后，脑膜瘤有显著而均匀的增强，脑膜瘤附着处的脑膜受肿瘤浸润有显著增强，叫硬膜鼠尾征，有特征性。诊断要点]①神经系统受损表现不定，颅高压出现较晚②CT有典型表现③MRI T1WI为等、低信号，T2WI上为高、等、低信号④X线平片可有局限性颅骨改变⑤造影显示血管移位、肿瘤血供和脑外供血[鉴别诊断]幕上脑膜瘤应与胶质瘤、转移瘤等鉴别，鞍区脑膜瘤应与垂体瘤等鉴别，桥小脑角脑膜瘤应与听神经瘤等鉴别。 &垂体瘤[临床] 压迫症状：压迫视交叉引起视野缺损，压迫正常垂体腺出现垂体功能低下。侵犯海绵窦可出现第3、4、5颅神经障碍，向上延伸至第三脑室或孟氏孔可引起脑
脑膜瘤的MRI诊断及研究进展
脑膜瘤的MRI诊断及研究进展 脑膜瘤较常见，约占原发性颅内肿瘤的15-20%[1-3]。典型脑膜瘤有其好发部位，具典型的影像学特征，诊断不难，非典型脑膜瘤包括不同的特殊类型，各具不同的特征，易与其它疾病混淆，故近年的研究多集中于非典型脑膜瘤的诊断上，另外对脑膜瘤的病因学及影像诊断新方法的研究亦有新的进展。 一脑膜瘤的病因学研究[2] 近年来在染色体、分子生物学以及受体理论研究方面已基本阐明了脑膜瘤的发生机理，（1）第22号染色体异常是目前较公认的机理，它是由于第22号染色体长臂消失或其遗传物质丢失，甚至第22号染色体全部缺失。（2）性激素在脑膜瘤发生中亦相当重要，这不仅表现为脑膜瘤女性较好发，而且有人报道妊娠期妇女和患乳癌的女性脑膜瘤的发病率均较高。（3）放射治疗可引起染色体缺失，导致脑膜瘤的发生。（4）外伤亦可引起脑膜瘤的发生。 二脑膜瘤的病理研究脑膜瘤起自蛛网膜的帽状细胞（arachnoid cap cell），蛛网膜粒含该细胞最多，故脑膜瘤多发生于硬膜窦附近[1]，脑室内的脉络丛组织也存有蛛网膜细胞，故脑室内亦可发生脑膜瘤[4]。至于那些异位的脑膜瘤，一部分为颅内脑膜瘤向外扩展假性异位，而另一部分为确实发生于颅外，多数理论认为是异位的蛛网膜粒引起，它是在正常胚胎发育过程中被分离的蛛网膜粒，故多沿颅神经途径发生[1]，亦可发生于因外伤造成的突入骨折缝内的蛛网膜细胞。有关脑膜瘤的病理组织学分类较混乱，现多采用Russell和Rubinstein的分类方法[6，2]，包括：脑膜上皮细胞型（meningothelia），又称合体细胞型（syncytial）；过渡细胞型（transitional）；纤维母细胞型（fibroblastic）；血管母细胞型（angioblastic）和混合型[2]。世界卫生组织（WHO）在1990年会议上提出了一个新的分类方案[7]，根据脑膜瘤的临床和细胞学特征，将其分为典型脑膜瘤（typical meningioma）；不典型脑膜瘤（atypical meningioma）和恶性脑膜瘤（malignant meningioma）三型。目前大部分学者认为脑膜肉瘤和血管外皮细胞瘤不属于脑膜瘤，因为它们并非起源于脑膜上皮细胞。 三 脑膜瘤的临床特征脑膜瘤好发于成年女性，高峰在45岁左右，男女比例1：2-4[2，8]，临床症状除具颅内肿瘤的共同表现外，还与其发生部位和大小有密切关系，发生在桥小脑角（CPA）区的脑膜瘤可只表现为耳聋、耳鸣或伴有共济失调。发生在额叶的脑膜瘤可在很长一段时间内只表现出某些精神症状，如嗜睡、言语不清，迷失方向等[9，10]。另外，肿瘤邻近颅骨出现骨质增生肥厚改变，乃为脑膜瘤的特征性征象[9]。 四脑膜瘤的MRI诊断及进展 1 诊断方法：
脑胶质瘤的MRI诊断与鉴别诊断
脑胶质瘤的MRI诊断与鉴别诊断 胶质瘤(glioma)是中枢神经系统最为常见的原发性肿瘤，脑肿瘤中胶质瘤发病率最高，约占半数，其中75%为星形细胞瘤。 1 材料与方法 收集--哈密红星医院放射科2010年7月～2012年12月及河南省人民医院放射科2013年5月～2013年11月经手术及病理证实的53例脑胶质瘤，包括弥弥漫型星形细胞瘤13例、胶质母细胞瘤10例、少突胶质细胞瘤7例、室管膜瘤6例、脉络丛乳头状瘤及毛细胞型星形细胞瘤各5例、混合性胶质瘤4例、间变型星形细胞瘤2例、间变型室管膜瘤1例。年龄：3岁～73岁，平均45岁，性别：男30例，女23例。采用GE1.5T及3.0T超导型磁共振扫描仪,常规行SE序列T1WI和T2WI轴切位、矢状位及冠状位扫描，DWI及ADC图。扫描参数T1WI：TR 400ms，TE 14ms;T2WI：TR 5000ms，TE 128ms;视野(FOV)24cm，层厚6mm，间距2mm，矩阵256256，激励次数(NEX)2。所有病例均行MRI平扫和增强扫描。增强扫描使用Gd-DTPA，剂量为0.2ml/kg体重，注射流率为3ml/s。 2 结果 2.1 30例星形细胞瘤 2.1.1 13例弥漫型星形细胞瘤MRI表现为2例T1WI低信号，T2WI高信号，瘤周水肿明显，2例为薄壁环状强化(其中1例为多环状，1例为单环状)，11例为T1WI等低信号，T2WI等高信号，水肿不明显，增强扫描6例无强化，3例不均匀斑点、片状轻中度强化，2例斑片状明显强化。 2.1.2 5例毛细胞型星形细胞瘤MRI表现为2例为囊实性，2例为大囊壁伴壁结节，T1WI 呈等低信号，T2WI等高信号，瘤周无水肿，增强扫描实性部分、壁结节明显强化，最大囊壁直径达5.5cm，1例为T1WI呈低信号，T2WI高信号，瘤周无水肿，增强扫无强化。 2.2 7例少突胶质细胞瘤MRI表现为均T1WI等低信号，T2WI高信号，均含囊变及钙化灶，瘤周轻中度水肿，增强扫描呈轻中度斑点状、线条状强化。 2.3 4例混合性胶质瘤中3例少突星形细胞瘤MRI表现均为T1WI低信号，T2WI高信号，增强病灶1例不强化，1例不规则环状强化，1例斑片状强化;1例间变型少突星形细胞瘤MRI表现为T1WI等低信号、T2WI等高信号，周围水肿明显增强，明显实性成分偏侧性团块状强化，病变囊性部分较多，囊壁光滑。 3 讨论 目前，WHO脑肿瘤分类神经胶质瘤特指由神经胶质细胞起源的肿瘤，包括星形细胞起源肿瘤，少突胶质细胞起源肿瘤、少突-星形细胞起源肿瘤、室管膜起源肿瘤、脉络丛起源肿瘤和其它神经胶质细胞起源肿瘤。按照肿瘤的组织学分化和间变程度，将脑胶质瘤分为Ⅰ―Ⅰ级，其中一般Ⅰ级为良性，Ⅰ级为良恶性过渡，Ⅰ、Ⅰ级为恶性。 3.1 星形细胞瘤包括毛细胞型星形细胞瘤、弥漫型星形细胞瘤、间变型星形细胞瘤和胶质母细胞瘤;毛细胞型星形细胞瘤多为WHOⅠ级，多见于儿童与青少年，好发部位小脑半球。病灶界限清楚、囊性变，内壁光滑。T1WI表现低信号为主内夹杂等信号壁结节，T2WI为高信号，增强扫描壁结节明显强化。李美蓉等报道38例毛细胞星形细胞瘤中实性型18例，囊实型14例，囊壁结节型5例，单纯囊肿型1例，肿瘤表现与部位有相关性，小脑半球以囊实性多见，鞍区为实性，本组囊实型2例，囊壁结节型2例，单纯囊肿型1例，与文献报道相符。弥漫型星形细胞瘤多为WHOⅠ级，多见于20～40岁，好发于大脑半球白质，额、颞叶及其相邻区域最多见。 3.2 少突胶质细胞肿瘤、混合性胶质瘤少突胶质细胞肿瘤包括少突胶质细胞瘤和间变型少突胶质细胞瘤占颅内胶质瘤的1%～9%，属较良性的胶质瘤，绝大多数位于大脑半球，好发于成人，年龄30～50岁，男性多见，男女之比约为2：1。少突胶质细胞瘤(WHOⅠ级)好
常见脑肿瘤的影像诊断
常见脑肿瘤的影像诊断 作者：北京中医药大学附属护国寺中医医院马俊芳 本文主要论述常见的脑肿瘤，着重讲述其影像特点。 一、胶质瘤起源于星形细胞、少枝胶质细胞及室管膜细胞等。成人原发神经系统肿瘤50%以上为胶质瘤，儿童胶质瘤占全部神经系统肿瘤的80-90%。
胶质瘤分类（WHO分类）星形细胞的肿瘤 1、星形细胞瘤 2、间变性（恶性）星形细胞瘤 3、胶母细胞瘤 4、毛细胞型星形细胞瘤 5、室管膜下巨细胞星形细胞瘤
混合性胶质瘤 1、混合性少枝—星形细胞瘤 2、间变性（恶性）少枝—星形细胞瘤 脉络丛肿瘤 1、脉络丛乳头状瘤 2、脉络丛癌 少枝胶质细胞的肿瘤 1、少枝胶质细胞瘤 2、间变型（恶性）少枝胶质细胞瘤星形细胞的肿瘤 1、星形细胞瘤 2、间变性（恶性）星形细胞瘤 3、胶母细胞瘤 4、毛细胞型星形细胞瘤 5、室管膜下巨细胞星形细胞瘤·混合性胶质瘤 1、混合性少枝—星形细胞瘤 2、间变性（恶性）少枝—星形细胞瘤 脉络丛肿瘤 1、脉络丛乳头状瘤 2、脉络丛癌 少枝胶质细胞的肿瘤 1、少枝胶质细胞瘤 2、间变型（恶性）少枝胶质细胞瘤来源未明的神经上皮肿瘤 1、星形母细胞瘤 2、星形胶质母细胞瘤 3、大脑胶质瘤病室管膜性肿瘤 1、室管膜瘤 2、间变性（恶性）室管膜瘤 3、粘液乳头型室管膜瘤 4、室管膜下瘤松果体肿瘤 1、松果体细胞瘤 2、松果体母细胞瘤 3、混合性松果体细胞瘤—松果体瘤胚胎性肿瘤 1、髓上皮瘤 2、神经母细胞瘤 3、室管膜母细胞瘤 4、视网膜母细胞瘤 5、髓母细胞瘤神经元胶质细胞瘤 1、神经节细胞瘤 2、神经节胶质瘤 3、间变性（恶性）神经节胶质瘤 4、中枢神经细胞瘤 5、嗅神经母细胞瘤一、胶质瘤1. 星形细胞瘤占大脑半球胶质瘤的25-30%及儿童小脑胶质瘤的30%。在成人仅次于多形性胶质母，为第二位常见的胶质瘤；在儿童为最常见的胶质瘤及后颅窝肿瘤。好发于大脑半球，尤其额颞叶，其次为顶叶，枕叶少见；可发生于任何年龄，好发40-50岁。1. 星形细胞瘤1）组织学分类：Rubinstein 三级分类法最常用低度型（I，II级）--17-30% 间变型：低度型恶变者（III级）--占恶性12% 几乎所有低度者都经历间变过程，1/3-1/2最终恶变。2）临床症状：常出现非特异性症状如头痛、呕吐，主要是由于占位效应及血管源性水肿所致肿瘤内出血可引起中风发作的症状。3）影像学表现：CT：平扫CT低度病变典型表现为境界不清、不规则的低密度或混杂密度病变，仅40%增强扫描有轻微的强化。 20%的星形细胞瘤CT可出现钙化。MRI：未合并出血的星形细胞瘤MR呈T1低T2高信号。高度恶性病变碘造影剂及Gd-DTPA均
脑膜瘤、血管外皮细胞瘤、孤立性纤维瘤病例分型分级、脑外征象及影像表现
脑膜瘤、血管外皮细胞瘤、孤立性纤维瘤病例分型分级、脑外征象及影像表现 脑膜瘤、血管外皮细胞瘤、孤立性纤维瘤读片被称为脑膜三件套，三者都起源于硬脑膜，是相对较常见的硬脑膜肿瘤性病变。按照中枢神经系统肿瘤分类，将孤立性纤维瘤和血管外皮细胞瘤归为一类，脑膜三件套最终应为脑膜两件套。 脑外征象：脑脊液间隙，蛛网膜下腔血管移位，白质塌陷，与硬脑膜宽基底相连，脑膜尾征，相邻骨质改变。 脑膜瘤 脑膜瘤是最常见颅内脑外肿瘤，起源于任何有脑膜或残留脑膜细胞的区域，与蛛网膜颗粒关系密切。疾病好发于中老年人，女性多见，儿童罕见。儿童脑膜瘤更倾向恶性或与神经纤维瘤病相关。放射治疗后也易患脑膜瘤，约半数发生在大脑凸面上失状窦旁或附着于上失状窦，还可发生在前外侧裂的硬脑膜，蝶骨翼，鞍结节，鞍旁区，嗅沟，眶内视神经，后颅窝常发生在桥小脑角区，也可发生在脑室内和板障内，罕见发生在软脑膜。 病理分型及分级 一级：脑膜皮型脑膜瘤，纤维型脑膜瘤，过度型脑膜瘤，砂粒型脑膜瘤，血管瘤型脑膜瘤，微囊型脑膜瘤，富淋巴一浆细胞型脑膜瘤，移行型脑膜瘤。 二级：透明细胞型脑膜瘤，脊索瘤样脑膜瘤，非典型脑膜瘤。 三级：乳头状瘤型脑膜瘤，横纹肌样脑膜瘤，间变性脑膜瘤。 影像表现 CT：与硬脑膜宽基底相连，60%高于脑实质呈高密度影，少数呈
等密度影，可有钙化。相邻骨质增生，少数吸收破坏。增强扫描明显均匀强化（除特殊类型），可见脑膜尾征。 MRl：大多数病灶在T1Wl与灰质相比呈等/稍低信号，T2WI与灰质相比呈等/稍高信号，DWI可受限，增强扫描明显均匀强化；波普无NAA，CHO增高，谷氨酸增高，无/低Cr，可见Ala，一般无Lip/Lac；灌注呈高灌注。 HPC/SFT 中枢神经系统肿瘤分类中首次在组织学基础上加入分子学特征。HPC/SFT发生在中枢神经系统均有12q13易位，NAB2和STAT6基因融合，免疫组化检测到的STAT6基因在核内表达，因此将两者在中枢神经系统归为一类，分为三级。 HPC/SFT起源于脑膜的间叶组织，成年人多见，男性多余女性。部位同脑膜瘤，但更常见于幕上。 分级：I级：含有丰富的胶原，细胞密度较低，含有梭形细胞，类似于经典SFT。Ⅱ级：具有较多的细胞和较少的胶原成分，可见肥大细胞和“鹿角样”血管，类似于经典HPC。Ⅲ级：即恶性HPC/SFT，以往的间变性HPC或恶性SFT两者混合存在。 影像表现：病灶多呈分叶状生长，多与硬脑膜窄基底相连，相邻骨质呈压迫吸收或破坏。CT多呈均匀/不均匀高密度，钙化少见，均匀或不均匀强化。MRI：T1WI和T2WI呈均匀/不均匀信号，可有均匀的低信号和均匀的高信号，呈“阴阳征”，有一定特征性，血管流空多见，DWI多数无受限，少数可受限，均匀或不均匀强化，脑膜尾征少见。
(完整版)磁共振成像评分标准
(完整版)磁共振成像评分标准磁共振成像评分标准 (完整版) 简介 磁共振成像（MRI）是一种非侵入性的医学影像技术，通过磁场和无线电波来生成具有很高分辨率的身体内部图像。MRI评分标准旨在帮助医生对MRI图像进行定量和定性的分析，从而提供准确的诊断和治疗方案。 MRI评分标准的重要性 MRI评分标准对于诊断一系列疾病和疾病监测具有重要意义。它们可以帮助医生快速准确地分析MRI图像中的结构和异常，进而确定病情严重程度、制定治疗计划和预测患者预后。 常见的MRI评分标准 以下是一些常见的MRI评分标准： 1. 脑部MRI评分标准：用于评估脑部疾病，如卒中、脱髓鞘疾病和脑肿瘤等。
2. 脊柱MRI评分标准：用于评估脊柱骨骼疾病，如脊柱骨折、脊柱退行性疾病和椎间盘突出等。 3. 骨骼MRI评分标准：用于评估骨骼疾病，如关节炎、骨折 和肿瘤骨转移等。 4. 肝脏MRI评分标准：用于评估肝脏疾病，如肝癌、肝硬化 和肝囊肿等。 5. 心脏MRI评分标准：用于评估心脏疾病，如心肌炎、心肌 梗死和心脏肌肥厚症等。 MRI评分标准的使用方法 MRI评分标准通常由专业医生在观察MRI图像时使用。医生 根据标准中的指标和规定，对MRI图像中的特定结构或异常进行 评分，确定其严重程度和影响范围。 优点和局限性
MRI评分标准的优点是可以提供定量和定性的评估，有助于准确诊断和治疗。然而，MRI评分标准也存在一些局限性，例如标准的制定需要大量研究和临床验证，且对不同疾病可能存在差异。 结论 MRI评分标准在医学影像中具有重要作用，可以帮助医生准确分析和理解MRI图像，为患者的诊断和治疗提供科学依据。随着医学科技的不断发展，MRI评分标准将进一步完善和丰富。
脑膜瘤的MRI征象与病理分级的关系
脑膜瘤的MRI征象与病理分级的关系 目的研究脑膜瘤的MRI表现及其病理学意义。方法收集57例脑膜瘤标本，分析其MRI征象（包括肿瘤的形态、信号及强化特点、瘤-脑组织界面、瘤周水肿及有无周围组织结构受侵等），同时观察脑膜瘤的病理分级，对所得的资料进行统计学分析。结果脑膜瘤的形态、信号均匀度、强化均匀度、瘤-脑组织界面、瘤周水肿程度及有无周围组织结构受侵等影像学表现与脑膜瘤的良恶性具有相关性（P＜0.05）。结论脑膜瘤的MRI征象具有一定的特征性，在一定程度上可以反映脑膜瘤的病理特点，达到帮助预测肿瘤良恶性的目的，从而为临床合理选择治疗方案及预后评估提供更大帮助。 [Abstract] Objective To study the MR imaging features and their pathological significance of intracranial meningiomas. Methods 57 meningioma samples were collected which have been diagnosed by MRI and pathology using retrospective analysis.The MRI manifestations including the tumor shape，signal intensity，signal homogeneity in contrast-enhanced T1WI，tumor-brain interface status，the peritumor edema，and invasion of the surrounding structure were analysed，and observed the relationships of the MRI features and pathological grades. Results The tumor shape，signal intensity，signal homogeneity in contrast-enhanced T1WI，tumor-brain interface status，the peritumor edema，and invasion of adjacent structures were closely related to the benign and malignant lesions of meningiomas. Conclusion The MRI features of meningioma have a certain characteristic，and to a certain extent，can reflects the pathological characteristics，and may help to predicate the benign and malignant of meningioma，thus to provide greater help for reasonable choice of clinical treatment and prognosis assessment. [Key words] Meningioma；Magnetic resonance imaging；Neoplasms by histologic type 脑膜瘤是颅内较常见的原发性肿瘤，大部分为良性，且手术治疗效果较好，但仍有部分肿瘤存在着以浸润方式生长、易复发及易转移的特性，本研究目的在于分析脑膜瘤的MRI征象及其与病理分级的关系，从而提高脑膜瘤的诊断水平，为临床合理选择治疗方案及改善预后提供帮助。 1 资料与方法 1.1 一般资料 收集57例经手术病理证实的脑膜瘤患者，男23例，女34例，年龄在29～65岁之间，其中28例位于大脑半球凸面，15例位于大脑镰旁及矢状窦旁，11例位于颅底（蝶骨嵴、鞍结节、嗅沟、桥小脑角），3例位于后颅窝。根据WHO2007年中枢神经系统肿瘤分型及分级标准[1]，本组资料中Ⅰ级脑膜瘤44例（脑膜上皮型16例、纤维细胞型12例、砂粒体型6例、血管瘤型5例、过渡型5例），
医学影像诊断学第二章 中枢神经系统 第四节 颅内肿瘤
第四节颅内肿瘤 一、星形细胞肿瘤 1、星形细胞瘤 【影像学表现】 ●CT：大脑半球髓质内低密度病灶，与脑质分界较清，水肿 及占位表现不明显。无明显强化。 ●MRI：髓质内边界清楚病灶，T1WI呈等或低信号，T2WI 为高信号。无明显强化。 2、间变性星形细胞瘤 【影像学表现】 ●CT平扫：低或低、等混杂密度病灶，边界不清。可有囊 变，但坏死和出血少见，多无钙化。灶周有中度水肿和占 位表现。 ●CT增强：呈斑片状或不规则强化。 【影像学表现】 ●MRI平扫：T1WI呈低或低、等混杂信号，T2WI呈不 均一高信号，边界不清，灶周可有水肿和占位表现 ●MRI增强：呈不规则强化 3、多形性胶质母细胞瘤 【影像学表现】-C T ●平扫：多呈低或低、等混杂密度。形态不规则，边界不清。 95%瘤内有坏死或囊变，出血很常见，钙化少见。瘤周水肿 和占位表现明显 增强：实体部分明显强化但不均一。 【影像学表现】-M R I ●平扫：实体部分T1WI呈低、等混杂信号，T2WI呈高、 等混杂信号；囊变坏死在T1WI呈低、T2WI呈高信号； 典型的出血在T1WI和T2WI均呈高信号。 ●增强：实体部分及坏死边缘强化，不规则“花环状”强化 为其特征。 4、毛细胞型星形细胞瘤 ●影像学：结节的囊性肿块，结节、壁强化 二、少突胶质细胞肿瘤 ●【影像学表现】 ●CT平扫：边界不清等或低密度肿块，有多发条带状或团 块状钙化，囊变为边界清楚低密度区。肿瘤周围无或仅有 轻度水肿 ●CT增强：2/3肿瘤轻~中度强化，1/3不强化 ●MRI平扫：T1WI呈低、等混杂信号，T2WI为高信号●MRI增强：程度不同强化或不强化 ●三、室管膜瘤 ●【影像学表现】-CT ●平扫脑室内肿块，形状同脑室，四脑室内者可通过中孔延 到小脑延髓池，侧孔到桥小脑角池；等或稍高密度；50%小圆形钙化、可囊变。 ●增强实性肿瘤均一强化，囊变区不强化。 ●【影像学表现】-MRI平扫T1WI等或低信号，T2WI 高信号；钙化、囊变、坏死时信号不均；脑积水 ●增强实性部分明显强化 四、髓母细胞瘤 【影像学表现】-C T ●平扫：后颅窝中线类圆形均一略高密度肿块，边界清楚。 四脑室受压，向前移位。室管膜下转移时脑室周围可见略 高密度带状影。 ●增强：多均一强化，室管膜下和蛛网膜下腔转移为带状强 化。 【影像学表现】-M R I ●平扫：T1WI呈低、T2WI呈高信号，类圆形，边界清楚。 四脑室受压变形、前上移位，常伴幕上梗阻性脑积水 ●增强：多呈明显均一强化，室管膜下和蛛网膜下腔转移灶 也明显强化 五、脑膜瘤 【影像学表现】-C T ● 1.典型表现： ●平扫：圆形、卵圆形或分叶状均一高或等密度肿块，边界 清楚。以广基和颅骨内板或硬膜相连。常有点状、不规则 或全部钙化。占位明显，水肿较轻。可见相邻颅骨骨质增 生或破坏，并可形成头皮软组织肿块。少数表现不典型： 呈低密度，合并蛛网膜囊肿，囊变、坏死或出血。恶性者 不具特征性 ●增强：多明显均一强化 【影像学表现】-C T 2、非典型表现： 非典型表现肿瘤约占2%-14%，可为：①全瘤以囊性为主；②肿瘤内密度不均匀；③环形强化；④壁结节；⑤全瘤密度低，并呈不均匀强化；⑥瘤内有高密度出血灶；⑦肿瘤完全钙化；⑧骨化性脑膜瘤；⑨瘤周脑脊液样低密度区；⑩酷似脑内的肿瘤；⑪多发性脑膜瘤 【影像学表现】-C T ●平扫：T1WI、T2WI均与脑皮质等信号。瘤周可见受压 脑皮质为“皮质扣压征”。瘤内及周围可见血管流空信号●增强：明显均一强化。邻近脑膜可见“脑膜尾征”。六、垂体腺瘤 【影像学表现】-C T ●平扫： ●微腺瘤多难以显示。 ●巨腺瘤为鞍内鞍上等或稍高密度影，囊变、坏死、出血使 密度不均。蝶鞍扩大，鞍背变薄、倾斜，鞍底下陷；向下 突入蝶窦、向上累及鞍上池、向两侧侵及鞍旁及海绵窦。 ●增强：微腺瘤需呈冠状薄层扫描，可见垂体内低密度病变， 且造成垂体上缘局部上凸，垂体蒂倾斜和鞍底局部首先破 坏下陷；巨腺瘤为均一或不均一强化。 【影像学表现】-M R I ●平扫：微腺瘤常使垂体上缘上凸，垂体柄偏移，肿瘤多在 T1WI为低、T2WI为高信号。巨腺瘤在T1WI和T2WI 均与脑皮质等信号，合并囊变、坏死、出血时信号不均。 肿瘤可突入蝶窦、侵及鞍上池、向上压迫视交叉，也可累 及鞍旁及两侧海绵窦，侵犯鞍背使正常脂肪信号消失。 ●增强：微腺瘤强化较正常垂体慢，增强早期为低信号区， 延迟后逐渐强化，晚期可与正常垂体等信号。巨腺瘤呈均 一或不均一强化，并能清楚显示海绵窦受累情况。 七、颅咽管瘤 【影像学表现】-C T ●平扫：为鞍上低密度肿块，边界清楚，囊内蛋白含量高或 实性者可呈等或高密度。可见钙化。 ●增强：囊壁呈环状强化，实性者为均一强化。 【影像学表现】-M R I ●平扫：信号与囊液成分有关。T1WI多为低信号，囊内蛋
磁共振3D-ASL联合DTI在常见脑肿瘤诊断与分级的应用研究
磁共振3D-ASL联合DTI在常见脑肿瘤诊断与分级的应用 研究 磁共振3D-ASL联合DTI在常见脑肿瘤诊断与分级的应用 研究 摘要： 脑肿瘤是一种常见的神经系统疾病，其诊断与分类对于治疗决策和预后评估至关重要。传统的脑肿瘤诊断主要依赖于 CT和MRI技术，但由于其对肿瘤组织的生物学特性了解有限，诊断准确率有待提高。近年来，磁共振三维动态磁场敏感血流成像（3D-ASL）和扩散张量成像（DTI）等功能成像技术的不 断发展，为脑肿瘤的诊断和分级提供了新的手段。 本研究旨在探讨磁共振3D-ASL联合DTI在常见脑肿瘤诊 断与分级方面的应用价值。研究共纳入了100例脑肿瘤患者，并运用磁共振3D-ASL和DTI技术进行图像采集与分析。结果 显示，磁共振3D-ASL联合DTI技术能够提供更加准确的肿瘤 区域分布和血供情况，对于肿瘤的定位和界定具有较高的敏感性和特异性。同时，DTI技术还能提供肿瘤区域的微观结构信息，如纤维束走向和连通性情况，对肿瘤的侵袭程度和分级有重要意义。 根据研究结果，本文提出了磁共振3D-ASL联合DTI在常 见脑肿瘤诊断与分级的应用流程。首先，通过磁共振3D-ASL 技术进行血流成像，获得肿瘤区域的血供信息，从而定位和界定肿瘤范围。然后，运用DTI技术获取肿瘤区域的扩散张量信息，评估纤维束走向和连通性，从而了解肿瘤的侵袭程度和分级情况。最后，根据磁共振3D-ASL和DTI的结果，结合其他 临床信息，对脑肿瘤进行综合评估，为治疗决策和预后评估提
供依据。 本研究的结果表明，磁共振3D-ASL联合DTI技术在脑肿 瘤的诊断与分级方面具有重要应用价值。通过提供更加准确的肿瘤区域分布、血供情况和微观结构信息，能够提高脑肿瘤的诊断准确性和分级准确性，为临床医生制定治疗决策和预后评估提供重要参考。然而，本研究仅仅是初步探索，还有很多问题需要进一步研究解决，如样本量的增加、技术参数的优化等。 总之，磁共振3D-ASL联合DTI技术在常见脑肿瘤诊断与 分级方面有着广阔的应用前景，有望成为脑肿瘤诊断与治疗的重要辅助手段。随着技术的不断进步和尺寸的不断优化，相信这一技术将在脑肿瘤领域发挥越来越重要的作用，为患者的诊断与治疗带来更多的好处 综合磁共振3D-ASL联合DTI技术在常见脑肿瘤诊断与分 级方面的应用流程，本文认为该技术具有重要的应用价值。通过提供肿瘤区域的血供信息和扩散张量信息，能够更准确地定位和界定肿瘤范围，了解肿瘤的侵袭程度和分级情况。通过综合磁共振3D-ASL和DTI的结果，结合其他临床信息，能够为 治疗决策和预后评估提供依据。然而，本研究仅为初步探索，仍需进一步研究解决一些问题。总之，磁共振3D-ASL联合 DTI技术在脑肿瘤诊断与分级方面具有广阔的应用前景，有望 成为重要的辅助手段，为脑肿瘤患者带来更多的好处
基于核磁共振技术的脑部疾病早期诊断与评估
基于核磁共振技术的脑部疾病早期诊断与评 估 近年来，随着医学技术的不断进步和人们对健康的重视程度提升， 脑部疾病早期诊断与评估成为了急需解决的问题。在这方面，核磁共 振技术（Magnetic Resonance Imaging，MRI）成为了一种重要的工具，其为医生们提供了一个非侵入性、高分辨率的方法来检测和评估脑部 疾病。本文将从MRI的基本原理、早期诊断与评估的意义、常见的脑 部疾病及其在MRI诊断中的应用等方面进行论述。 首先，我们了解一下MRI的基本原理。MRI是一种利用磁场和电 磁波的共振现象生成图像的技术。在MRI扫描中，患者首先进入一均 匀磁场中，然后通过向患者体内施加较短的强磁场暂变实现不同组织 中原子核自旋状态的差异。接着，改变辅助磁场的频率和强度，使得 体内的原子核吸收和发射辐射能量，最后通过接收和分析这些辐射信 号来生成具有空间分辨能力的图像。 早期诊断与评估是脑部疾病治疗中的关键环节。脑部疾病早期的诊 断和评估能够帮助医生更早地采取治疗措施，增加治疗的成功率，并 提高患者的生存率和生活质量。而MRI作为一种高分辨率的成像技术，能够对脑部进行全方位的观察和评估，为医生提供了更准确的诊断依据。 在脑部疾病的早期诊断与评估中，常见的疾病有脑卒中、脑肿瘤和 多发性硬化症等。首先，对于脑卒中的早期诊断与评估，MRI可以提 供关于患者脑血管情况的详细信息，包括缺血、出血以及血管的狭窄
程度等。其次，对于脑肿瘤的早期诊断与评估，MRI可以通过对肿瘤的大小、位置、形态和代谢活性等方面的观察，为医生提供制定治疗方案的参考依据。最后，对于多发性硬化症的早期诊断与评估，MRI 可以通过观察脱髓鞘的情况来确定病变的程度和分布，从而指导治疗的选择和疗效的评估。 除了常见的脑部疾病，MRI在其他一些疾病的早期诊断与评估中也发挥着重要的作用。例如，对于帕金森病、阿尔茨海默病和抑郁症等神经系统疾病，MRI可以通过对相应脑区的形态、体积以及功能活动的变化进行观察，帮助医生早期发现疾病的迹象，评估疾病的进展程度，以及制定合理的治疗计划。 总结起来，基于核磁共振技术的脑部疾病早期诊断与评估在当今医学领域具有重要的意义。通过对MRI的应用，医生可以在早期发现和评估各种脑部疾病，提高患者的治疗效果和生活质量。未来随着医学技术的进一步发展和改进，我们有理由相信，基于核磁共振技术的脑部疾病早期诊断与评估将会有更加广泛和深入的应用。