深度学习脑肿瘤MRI图像分类研究进展.pdfVIP

综述｜｜Reviews磁共振成像2023年1月第14卷第1期ChinJMagnResonImaging,Jan,2023,Vol.14,No.1

深度学习脑肿瘤MRI图像分类研究进展

张恒1，2，3，4，张赛1，2，3，4，孙佳伟1，2，3，4，陆正大1，2，3，4，倪昕晔1，2，3，4*

作者单位：1.南京医科大学附属常州第二人民医院放疗科，常州213003；2.江苏省医学物理工程研究中心，常州213003；3.南京

医科大学医学物理研究中心，常州213003；4.常州市医学物理重点实验室，常州213003

*通信作者：倪昕晔，E-mail：nxy@

中图分类号：R445.2；R739.41文献标识码：ADOI：10.12015/issn.1674-8034.2023.01.031

本文引用格式：张恒,张赛,孙佳伟,等.深度学习脑肿瘤MRI图像分类研究进展[J].磁共振成像,2023,14(1):166-171,193.

[摘要]大数据环境下肿瘤病例为肿瘤的临床诊断提供了庞大的数据资源，同时人工智能技术的发展促进深度学习应用水平不

断提升，推动肿瘤MRI图像的快速、精准分类进入深度学习时代。本文主要分为以下四个部分，第一部分针对目前主流的深度

学习MRI图像分类模型：卷积神经网络、深度信念网络、深度残差网络、VisionTransformer展开综述。首先，阐述了各模型

的历史沿袭、最初针对的问题及主要思想；其次，概括了模型的网络架构并探讨其在MRI图像分类上的最新应用；然后，分析

了模型的特点、目前存在的局限及各自发展趋势。第二部分论述了一些影响分类性能的关键因素；第三部分提出了一些广泛使

用的性能增强技术；文章最后讨论了深度学习分类MRI图像在临床实践中面临的主要限制，并对未来研究方向进行展望。本文

的结果可为研究人员提供一个全面的比较，以及各种深度学习模型的有效性，有望促进脑肿瘤研究的进展。

[关键词]深度学习；脑肿瘤；图像分类；磁共振成像；人工智能；神经网络

ResearchprogressofdeeplearningbraintumorMRIimageclassification

ZHANGHeng1,2,3,4,ZHANGSai1,2,3,4,SUNJiawei1,2,3,4,LUZhengda1,2,3,4,NIXinye1,2,3,4*

1DepartmentofRadiotherapy,ChangzhouSecondPeopesHospital,NanjingMedicalUniversity,Changzhou213003,China;2Jiangsu

ProvinceEngineeringResearchCenterofMedicalPhysics,Changzhou213003,China;3MedicalPhysicsResearchCenter,Nanjing

4

MedicalUniversity,Changzhou213003,China;KeyLaboratoryofMedicalPhysicsofChangzhou,Changzhou213003,China

*

Correspondenceto:NiXY,E-mail:nxy@

Received16Aug2022,Accepted29Nov2022;DOI:10.12015/issn.1674-8034.2023.01.031

ACKNOWLEDGMENTSJiangsuProvincialKeyResearchandDevelopmentProgramSocialDevelopmentProject(No.BE2022720);

GeneralProgramofJiangsuProvincialHealthCommission(No.M2020006).

Citethisarticleas:ZHANGH,ZHANGS,