基于多视角的脑胶质瘤分级模型研究

郝惠惠 吴亚平 赵国桦 王梅云 林予松,2*

1(郑州大学互联网医疗与健康服务河南省协同创新中心 河南 郑州450052) 2(郑州大学软件学院 河南 郑州450052) 3(河南省人民医院影像科 河南 郑州450003)

0 引 言

脑胶质瘤是颅脑最常见的恶性肿瘤[1]。世界卫生组织根据肿瘤的恶性程度将脑胶质瘤分为低级别脑胶质瘤(Low Grade Glioma, LGG)和高级别脑胶质瘤(High Grade Glioma，HGG)，并分别给出处理治疗的建议方案[2]。因此，精确的脑胶质瘤分级对治疗方案的确定或者预后有着重大意义[3]。磁共振成像(Magnetic Resonance Imaging，MRI)在软组织中具有敏感性和卓越的图像对比度，是大脑诊断和治疗过程中的首选检查方法[4]。通常头部MRI检查均包含液体衰减反转恢复(Flair)成像、T1加权成像(T1)、增强T1加权成像(CET1)和T2加权成像(T2)等序列[5-6]。每个MRI序列构成了一个视角，从不同的方面对肿瘤病灶进行描述，为脑胶质瘤诊断提供多个视角的互补信息。

随着机器学习的快速发展，以影像组学(Radiomics)为代表的脑胶质瘤分级研究，通过高通量地从医学影像中提取大量特征训练预测模型，取得了显著的研究成果[7-9]。但现有研究主要从单视角出发基于某个序列进行特征计算和模型训练[10]，或将多个序列计算的特征进行简单组合进行训练[11]，难以有效利用脑胶质瘤多个视角之间的互补信息。

多视角学习以训练目标不同观测数据作为研究对象，每个观测数据作为一个视角，通过多个视角的协同训练，能有效提升模型的泛化性能[12-13]。传统的多视角学习主要采用共同训练算法[14]，如co-EM[15]、co-testing[16]等。最大熵判别(MED)模型是一种判别式和生成式的集成框架，能有效应用于疾病诊断[17]。……