医学信息学解锁21：脑肿瘤和自身免疫性疾病的MRI分类与集成学习方法及意义

医学信息学解锁24（2021）100608脑肿瘤和自身免疫性疾病集成学习A.S. M Shafi a，*，Md. [10]杨志，杨志红.M. Emrul KayscaKhwaja Yunus Ali大学计算机科学与工程系，Enayetpur，Sirajgonj-6751，Bangladeshb圣母大学计算机科学与工程系，孟加拉国cInternational University of Business Agriculture and Technology，Dhaka-1230，BangladeshA R T I C L EI N FO保留字：多发性硬化症磁共振成像纹理特征信息增益包围分类A B S T R A C T在这个技术快速进步的时代，医学分析和诊断中的计算机视觉在检测和分类人体异常或疾病方面具有深远的意义。本研究提出了一种集成学习方法，使用脑肿瘤和多发性硬化患者的磁共振成像（MRI）对脑肿瘤或赘生物（即神经胶质瘤，脑膜瘤，垂体腺瘤）和自身免疫性疾病病变（即多发性硬化症）进行分类。该方法包括预处理、特征提取、特征选择和分类。预处理阶段使用肿瘤和病变的感兴趣区域（ROI）、Collewet归一化和最大量化。基学习器设计有支持向量机（SVM）分类器和具有多数表决的预测模型。与其他最先进的方法相比，我们提出的系统运行良好，加权灵敏度，特异性，精确度和准确性分别为97.5%，98.838%，98.011%和98.719%。实验结果表明，该模型的训练和测试准确率分别为97.957%和97.744%。这一发现可能意味着在神经医学诊断中检测与肿瘤共存的病变的存在迈出了前所未有的一步。1. 介绍近年来，一些脑部疾病被认为是“无法治愈的”。大脑作为人体最复杂的器官，调节着运动、言语、思想和记忆。脑组织内任何类型的异物或炎症和病变或其中任何一种都可能导致视力丧失，听力障碍，语言障碍，虚弱，瘫痪甚至死亡。毫无疑问，人体的适当和方便的功能从根本上受到人类大脑的保护。脑肿瘤是脑内的异常生长组织，其通过它们施加在脑上的压力而引起伤害，是恶性的（癌性的）或良性的。脑膜（覆盖大脑的薄组织层）、颅神经和脑垂体或松果体是原发性脑肿瘤开始散发的最持久的区域。有许多不同类型的原发性脑肿瘤，以涉及的细胞类型命名。有些是癌性的（恶性的），有些是非癌性的（良性的）。三种类型的肿瘤（胶质瘤，脑膜瘤和垂体腺瘤）以及一种称为多发性硬化症的自身免疫性疾病。神经胶质瘤主要发生在大脑和小脑;几乎33%的肿瘤被诊断为神经胶质瘤。神经胶质瘤由脑的神经胶质细胞形成，其支持并包围脑的神经元。脑膜瘤或脑膜肿瘤发生于脑膜。这意味着脑膜瘤发生在邻近脑膜组织的大脑或脊髓的外部区域。生长缓慢，形成于硬脑膜的I级脑膜瘤是容易治愈和预防的。另一方面，II级脑膜瘤生长迅速，即使手术也不能完全治愈[1]。垂体腺瘤是垂体中的肿瘤。垂体腺瘤根据其生物学功能分为三种类型。这些是无害的腺瘤，侵袭性腺瘤和癌。大多数腺瘤是良性的，约35%是侵袭性的，只有0.1%至0.2%是癌[2]。多发性硬化症（MS）是一种脱髓鞘疾病，会损害大脑和脊髓的孤立神经细胞覆盖层[3]。神经系统各节段相互作用的能力受到这种损伤的阻碍* 通讯作者。电子邮件地址：gmail.com（A.S.M.Shafi）。https://doi.org/10.1016/j.imu.2021.100608接收日期：2020年12月9日;接收日期：2021年5月17日;接受日期：2021年5月17日2021年5月26日网上发售2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：www.elsevier.com/locate/imuA.S. M Shafi等人医学信息学解锁24（2021）1006082图1.一、所提出的方法的流程图。导致一系列体征和症状，包括身体、精神和有时精神问题[4这些疾病可以根据其MRI模式进行区分，但在某些情况下，甚至可能如果模仿出现了一些复杂的情况，甚至对人类的肉眼来说是模糊的，也许机器只能区分它们。在数百种脑和神经系统疾病中，我们选择比较多发性硬化病变和三种脑肿瘤的纹理特征。它们是脑膜瘤，神经胶质瘤，和垂体瘤。该研究受到一份病例报告的影响，该报告提到一名41岁女性的放射学检查结果提示MS。然而，额外的研究确保了星形细胞瘤（一种神经胶质瘤）的共存[7]。研究人员还意识到星形细胞瘤和其他胶质瘤类型，如少突胶质细胞瘤和胶质母细胞瘤可以与MS共存[8]。因此，MS有可能与胶质瘤并发。MS患者患癌症的总体风险降低，但患脑瘤的风险升高[9]。除此之外，由于分类模型的复杂性，本研究还增加了另外两种肿瘤类型许多与图像处理相结合的机器学习方法和数据挖掘方法已经成功地带来了有前途的导致 分类脑 疾病 拟议的程序涉及从二维（2D）MRI图像中提取纹理特征。这些功能，然后分析所提出的集成模型，使用一个基地学习的支持向量机。该模型进行了评估的准确性措施的基础上分类的测试数据。还使用其他机器学习和深度学习模型检查了所提出的技术，并发现其比其他最先进的方法更有效。第二部分对研究背景和研究成果进行了全面的论述。第3节讨论了所提出的用于脑肿瘤和自身免疫疾病的分类的系统或模型。第4节通过不同的统计数据（如灵敏度、特异性、精密度和准确度）对所提出的模型进行了分析。本节还讨论了与其他机器学习模型的比较。最后，在第5节中得出结论、建议和未来的发展方向2. 文献综述S. Das等人。[10]提出了一种基于卷积神经网络（CNN）的脑肿瘤分类系统。他们应用高斯滤波器和直方图均衡化技术对MRI图像进行预处理的系统对脑胶质瘤、脑膜瘤、垂体瘤三种主要脑肿瘤进行了C. L.Choudhury等人[11]提出了一种计算机辅助机制，该机制结合了CNN和深度神经网络，将MRI图像分类为肿瘤和非肿瘤类别。该方法的准确率为96.08%，误差为2.98%。K. Pathak等人[12 ]第10段。CNN模型用于将输入图像分类为正常脑和肿瘤脑。在检测出脑肿瘤后，应用分水岭算法对肿瘤区域进行精确分割此外，研究人员[13]还开发了一种基于多目标差分进化（MODE）的集成技术来分类三种类型的脑肿瘤。他们将K-最近邻（KNN）、加权核宽度SVM（WSVM）和直方图交集核SVM（HIK-SVM）分类器相结合，构建了加权投票分类器他们提出的方法获得了92.46%的平均分类准确率。 在参考文献[14]中，提出了一种基于CNN和遗传算法（GA）的模型来对脑肿瘤进行分类。在这里，GA被用来找到最好的CNN架构。最后，将遗传算法提出的装袋算法应用于最优网络，以减小预测误差的方差所提出的方法产生94.2%的分类准确率。鉴于H提出的工作。H. Sultan等人[15]使用基于CNN的深度学习模型对脑肿瘤进行分类。作者引入了两个dropout层，然后是一个全连接层，以防止过拟合并预测输出。在本研究中，脑肿瘤图像的多分类目的在参考文献[16]中引入了由22层组成的CNN模型的新架构在他们的研究中，他们首先提出了在主题交叉验证和记录交叉验证上测试的泛化能力最好的结果是从记录式交叉验证与10倍交叉验证的增强数据集，准确率为96.56%。除此之外，参考文献[17]中提出了基于CNN的模型以及数据增强和图像处理，以分类癌性和非癌性MR图像他们将迁移学习模型的准确性与其他预训练的CNN模型（VGG-16，ResNet-50和Inception-v3）进行了比较，并在少量数据集上实现了100%的准确性。此外，在参考文献[18]中，提出了一种预训练的深度CNN和基于转移学习的块式微调方法，用于从MR图像中对脑肿瘤进行分类。他们评价他们的模型使用T1加权A.S. M Shafi等人医学信息学解锁24（2021）1006083图二、（a）垂体腺瘤（b）胶质瘤（c）脑膜瘤的 M R I [24]。图三. 多发性硬化的MRI [25]。对比增强MR图像（CE-MRI），并实现了94.82%的平均分类准确率。Avs Escherar，E等人[19]利用通过TensorFlow库实现的更快的基于区域的CNN（更快的R-CNN）方法来检测和分类MRI图像中的脑肿瘤。模型的预测准确率为91.66%。此外，在参考文献[ 20 ]中还提出了一种使用SVM对MRI脑癌进行分类的技术，其中通过灰度、对称和纹理特征进行特征提取。研究人员[21]还发现依赖概率神经网络（PNN）对脑肿瘤进行分类。采用灰度共生矩阵（GLCM）和k均值聚类进行特征提取和分割。作为一种图像压缩技术，主成分分析（PCA）降低了数据的维数。参考文献[22]中还提出了一种基于SVM和GA的脑肿瘤分类智能系统。从输入的二值图像中去除颅骨是通过形态学腐蚀和膨胀操作进行的。该系统利用基于强度的分割来构建暗背景图像和照明肿瘤区域。采用灰度共生矩阵进行特征约简。作者通过应用遗传算法进行特征选择和支持向量机参数的寻找与优化，提高了系统性能.3. 系统架构该模型的方法包括五个阶段：数据采集，预处理，特征提取，特征选择和分类。 图 1示出了所提出的系统的架构。表1在我们提出的系统中使用的数据集的分布。肿瘤类型/病变短式数量的图像胶质瘤GL1155脑膜瘤我477垂体腺瘤PT637多发性硬化MS130总2399见图4。 （a）原始图像（b）提取的ROI。3.1. 数据采集脑肿瘤数据集是Jun Cheng等人的贡献。[23]。他们提出了一种增强的方法来检测脑肿瘤，采用增强的肿瘤区域而不是实际的ROI，这表明肿瘤组织也可以提供其类型。图2给出了三种类型的脑肿瘤的例子。多发性硬化症的数据集已从C.P.的免费数据库中获得。Loizou等人其中作者对多发性硬化症的白质病变预测未来残疾的分类模型进行了研究[25]。图3描绘了多发性硬化的MRI。出于实验目的，我们使用了由2399张图像组成的数据集。我们数据集的分布如表1所示。3.2. 预处理3.2.1. 图像和ROI用坐标或二元掩模手动绘制肿瘤和病变集的感兴趣区域。两个数据集都被概括为它们的原始图像和二进制掩模到ROI，用于预处理以仅聚焦于该区域。图4给出了如何 可以从原始图像中提取ROI。A.S. M Shafi等人医学信息学解锁24（2021）1006084∑∑=-L图五、（a）原始MRI，（b）提取的ROI和（c）量 化 后的最大量化。3.2.2. 最大量化（F30）、小区域高灰度级强调（F31）、大区域低灰度级强调（F32）。在预处理中，最大量化将感兴趣区域矩阵的连续强度值数字化或离散化。量化为离散值的强度值将值的范围减小到单个值，从而减小熵。它还最小化给定数量的量化级别的均方误差（MSE）[26，27]。图5示出了最大量化如何工作的示例。3.2.3. 科莱韦特归一化然后，应用Collewet归一化来归一化范围[μ+3δ，μ-3δ]之间的强度，其中μ是ROI内灰度级的平均值，δ是标准差。因此，在归一化之后，不再保留两个灰度级之间的相对变化。3.3. 特征提取特征提取是图像分类处理的必要步骤。整个图像通常是冗余的，因为它的大尺寸和减少到一组特征进行进一步处理。在图像的预处理之后，然后处理量化体积以提取统计纹理特征，即灰度共生矩阵（GLCM）， 灰度 游程 矩阵X （GLRLM）， 灰度 尺寸区域灰度级加重（F32）、大区域高灰度级加重（F33）、灰度级变化（F34）和区域尺寸变化（F35）。3.3.4. 邻域灰度差分矩阵NGTDM量化灰度值与距离δ内的相邻灰度值的平均灰度值之间的差 异 。 从 该 矩 阵 计 算 五 个 特 征 ， 即 粗 糙 度 （ F36 ） 、 对 比 度（F37）、繁忙度（F38）、复杂度（F39）和强度（F40）。3.4. 特征选择采用特征选择技术来选择信息性和相关性特征。它还用于确定对构建良好预测器有用的特征。适当的选择方法可以使所需的特征保留原始含义。由于数据的减少，减少了存储需求，并且算法速度更快。在这项研究中的特征选择是基于信息增益的相关性措施。在信息增益中使用熵的概念来对特征进行排序。它主要用于计算属性的信息量。我们可以计算训练集中特征的信息量如下：矩阵X（GLSZM）和邻域灰色调差分矩阵其中训练集的输出是（y1，y2，的概率（NGTDM）纹理特征。3.3.1. 灰度共生矩阵GLCM包含关于具有相似灰度值的像素的位置的信息。在共生矩阵X中，行和列表示可能的值。从该矩阵计算九个特征：能量（F1）、对比度（F2）、熵（F3）、同质性（F4）、相关性（F5）、总和平均值（F6）、方差（F7）、相异性（F8）和自相关性（F9）。3.3.2. 灰度游程矩阵GLRLM给出了每个灰度级的均匀运行的大小。GLRLM的特点（13个特征）包括短期强调（F10）、长期强调（F11）、灰度级不均匀性（F12）、游程长度不均匀性（F13）、游程百分比（F14）、低灰度级游程强调（F15）、高灰度级游程强调（F16）、短期低灰度级强调（F17 ） 、短 期 高灰 度 级强 调 （F18 ） 、计 算 长期 低 灰度 级 加重（F19）、长期高灰度级加重（F20）、灰度级方差（F21）和游程长度方差（F22）。3.3.3. 灰度尺寸区域矩阵GLSZM量化图像中的灰度级区域13个特点是对应于这些输出的是P（y1），P（y2），该度量给出了组成训练集输入的特征所I（P（y1），P（y2），. . .， P（y n））=-P（y i）log2P（y i）（ 1）i=1当X的值已知时，由Y类属性给出的X属性的信息增益降低了关于Y的值的不确定性，即当I（Y; X）已知时，Y值的不确定性由其熵H（Y）来当我们知道X的值时，关于Y的值的不确定性由Y的条件熵给出所以它由H（Y-X）提供。在这种情况下，如（2）[28]中那样计算信息增益公式。I（Y;X）=H（Y）-H（Y|十）（ 2）设Yy1，. . .，yn和XX1，.. .，Xn是离散变量。在这种情况下，Y的熵和Y的条件熵分别如（3）和（4）中所计算[28]。K（ H （ Y ） ） =-P （ Y=yi ） log2P （ Y=yi ）（ 3）i=1从该矩阵中提取X，即小区域强调（F23），大区域H（Y X∑P. X（x）HY X x）（4）强调（F24）、灰度级不均匀性（F25）、区域大小不均匀性（F26）、区域百分比（F27）、低灰度级区域强调（F28）、高灰度级区域强调（F29）、小区域低灰度级强调| ) =-j=1=j（|=jA.S. M Shafi等人医学信息学解锁24（2021）1006085+3.5. 分类图像的分类需要一个或多个光谱波段的数字了分类表2特征子集列表。分类器的数量特征排列的特征每个PI× EL基于该光谱信息。这也被称为第一子集38 F6，F9，F16，F18，F20，F38，F10，F21，F13，F14，光谱模式识别这里的目标是将图像中的所有像素在我们的例子中，总共选择了40个特征进行分类。这些功能，然后分析所提出的集成模型，使用一个基地学习的支持向量机。选择使用SVM作为基本学习器是因为SVM是最流行的分类，回归和离群值检测程序本文提出的集成学习算法假设属性之间是相互依赖的. 根据这个假设，每个基本学习器只学习这个训练集的一个属性和给定训练集的原始训练集本身假设属性的依赖性，第一属性根据信息提供标准从最高到最低排序对于信息熵测量，优选香农熵方法。然后，对于n个属性（n-1）SVM的基本学习器的构建。用于分类的最终假设模型的构造已在算法1中示出。算法1. 从样本空间计算最终假设模型输出第二批37子集三边缘部分22子集F27、F4、F22、F11、F8、F39、F29、F15、F17、F26、F23、F3、F36、F40、F30、F5、F19、F31、F28、F2、F7、F35、F34、F24、F25、F12、F32、F1、F37、F334. 结果和讨论在学习过程结束时，需要各种统计标准来确定学习算法的性能。测量学习算法性能的要求是敏感性和/或召回率、特异性、精确性和准确性。为了确保本工作范围内实验结果的准确性根据实验A.S. M Shafi等人医学信息学解锁24（2021）1006086表3模型的混淆矩阵上述性能指标的值由表4计算得出。基于SVM集成分类器的结果，我们选择了三个特征子集来构建最终模型。表2显示了这些数据集。表3以数值和百分比的形式展示了我们提出的方法的混淆矩阵脑胶质瘤是最常见的恶性肿瘤之一。根据表4所示的结果，可以看出，我们的模型实现了98.788%的极好灵敏度和98.573%的总准确度，用于分类胶质瘤肿瘤。很难定义MS患者中脑肿瘤的发生率，因为脑肿瘤的诊断在MS患者中可能比在一般人群中更常见[29]。此外，还观察到假肿瘤MS病变可能与神经胶质瘤相似。另一方面，早期胶质瘤可能与MS相似[30]。从表4所示的混淆矩阵可以看出，我们的方法实现了对多发性硬化症进行分类的优越性能，灵敏度为96.923%，准确度为99.745%。对脑膜瘤和垂体瘤的正确预测率分别为96.664%和97.645%。在三种不同的脑肿瘤和MS病变中，胶质瘤的检出率最高，脑膜瘤的检出率最低。对于π-4.1. 与其他机器学习模型的比较在这项研究中，通过深度学习模型（ResNet-50）和不同的（贝叶斯，函数，懒惰，Meta，杂项，规则和树）分类算法的帮助，评估了所提出的模型的分类性能。默认参数用于应用于数据集的所有机器学习算法。对于每种算法或集成模型，数据集被用作与2399个样本进行比较的基准。每种算法的交叉验证程序为10倍。在图6中，已经示出了模型的评估。新的集成模型具有97.957%的性能测量精度。通过应用深度学习模型，分类准确率也达到了97.29%。机器学习中的鲁棒算法，如LMT，随机森林和Logit Boost，分类准确率分别为97.582%，91.538%和89.412%。其他人表现得有点好，AdaBoost的表现最差5. 结论和今后的工作据IBM研究人员称，医学图像是医疗保健的中心数据源，占所有医疗数据的至少90%。这一数量对于人工审查和诊断来说是压倒性的-放射科医生和病理学家必须每天筛选数千张多模态图像。各种想法的大量流动与过时的人工审查过程相冲突，增加了医疗错误和误诊的机会。事实上，医疗保健软件开发公司看到了这个问题，并为行业提供了基于计算机视觉分析医学图像的自动化方法。计算机视觉包括多种获取、处理和探索图像和视频源的技术，以输出有关其中对象的某些决策。在医疗保健领域，计算机视觉可以补充常规诊断，并优化放射科医生和病理学家的工作流程。埃因霍温大学的研究人员表5与相关文献的精度比较作者方法准确性Avs Pastiar，E.等人（2019）[19]更快的学费的 肿瘤， 的 最高值 精度 found. 整体模型的训练和测试准确率分别为97.957%和97.744%，Khan Swati，Z.N. 等人2019年[18]分块微调和迁移学习百分之九十四点八二分别表5给出了所提出的方法与最先进方法的比较。可以看出，我们提出的模型的准确性显着优于其他现有的方法。Anaraki，A.K.等人（2019年）[14]CNN和GA 94.2%表4我们的模型对每种类型的MRI脑肿瘤的敏感性，特异性，精密度和准确度值性能度量TN= TrueNegative。FP=假阳性。FN=假阴性。灵敏度（回忆）=真阳性率（TPR）=TP/（TP+ FN）。特异性=真阴性率（TNR）=TN/（TN+ FP）。精密度=阳性预测值（PPV）=TP/（TP+ FP）。准确度=总体准确度=（TP+ TN）/（TP+ TN+ FP+ FN）。H. H. Sultan等人（2020）[15]CNN百分之九十六点一三Ba dZaghza，M.M等. （2016年）[16]CNN百分之九十六点五六类TPTNFPFN灵敏度特异性精度精度GL11411209201498.78898.37298.27798.573我461188981696.66499.57898.29498.989MS12622242496.92399.9198.43899.745PT6221728191597.64598.91297.03698.573加权测度97.598.83898.01198.719训练精度97.957测试精度97.744TP=真阳性。A.S. M Shafi等人医学信息学解锁24（2021）1006087图六、根据不 同集成模型在肿瘤和病变MRI图像上的性能对不同集成模型进行排名。荷兰的技术创造了一种医学图像分析系统，特别是用于识别巴瑞特食管患者的早期肿瘤病变。这些病变可能发展成食管癌，如果没有适当的训练，很难发现。在本文中，提出的分类模型的肿瘤和病变的医学图像使用的纹理特征排名，支持向量机学习和多数投票。该方法可用于关注神经胶质瘤患者是否受到多发性硬化症的影响，反之亦然。具有共存性质的MS可能与其他类型的肿瘤在脑组织内形成。宿主图像使用Collewet归一化和Lloyd量化进行预处理。本文的贡献是，该模型提供了更好的不可见性和鲁棒性对常见的图像处理问题。据评估，主机图像的质量退化是最小的。在整个过程中，它还显示出很好的时间界限。该研究的动机是在早期阶段对肿瘤和/或病变进行分类;因此，该算法在未来阶段可能会表现得更好。但由于早期肿瘤和病变数据的限制，所使用的数据都是中期的。在未来，这项研究可能会集中在早期肿瘤和病变的MR图像。使用SVM学习器和多数表决的模型的算法，预计将更稳健地重构我的hy-所创建的假设模型可以基于准确的描述。还可以增加肿瘤和病变的检测过程，以增加智能机器的充分性。竞合利益作者声明，本论文的发表不存在利益冲突。确认我们非常感谢孟加拉国Khwaja Yunus Ali大学和Notre Dame大学的宝贵支持和建议。引用[1] 成人中枢神经系统肿瘤治疗（pdq®）-病人版-国家癌症研究所。https：//www：cancer：gov/types/brain/patient/adultbrain-treatment-pdq. [2019年8月9日访问]。[2] 肿瘤治疗（pdq®）-健康专业版-国家癌症研究所。https：//www：cancer：gov/types/pituitary/hp/pituitarytreatment-pdq. [2019年8月9日访问]。[3] 多发性硬化症信息页面：国家神经系统疾病和中风研究所（ninds）。https：//web：archive：org/web/20160213025406/. [2019年8月9日访问]。http：//www：ninds：nih：gov/disorders/multiplesclerosis/multiplesclerosis：htm.[4] October Compston A，Coles A.多发性硬化柳叶刀2008;372（9648）：1502-17。[5] Compston H Winedl，Kieseier B.科尔斯说，”多发性硬化症。柳叶刀2002;359：1221-31.[6] Bertelson JA，Price BH.神经学实践中的抑郁症和精神病。临床实践中的神经病学：诊断和管理原则，第1卷; 2004。p. 一百零三[7] Abrishamchi F，Khorvash F.多发性硬化症和脑肿瘤并存：一个罕见的诊断挑战。Adv Biomed Res 2017;6.[8] [10]刘克，刘克，刘晓波，李晓波，李晓波.自身免疫性疾病患者继发脑肿瘤。 神经肿瘤学2013;15（9）：1142-50。[9] 杨文，李文.多发性硬化症患者及其父母的癌症风险神经病学2009;72：1170-7.10.1212/01.wnl。 0000345366.10455.62。[10] Das S，O. F. M. R. R. Aranya，Labiba NN.使用卷积神经网络进行脑肿瘤分类。达卡，孟加拉国：ICASERT）; 2019年。第1-5页。https://doi.org/10.1109/ICASERT.2019.8934603。2019年第一届科学、工程和机器人技术进展国际会议。[11] Choudhury L，Mahanty C，Kumar R，Mishra BK.使用卷积神经网络和深度神经网络进行脑肿瘤检测和分类。计算机科学、工程与应用国际会议（ICCSEA）。2020.第1-4页。https://doi.org/10.1109/ICCSEA49143.2020.9132874。2020年，印度古努普尔[12] Patak K，Pavthawala M，Patel N，Malek D，Shah V，Vaidya B. 卷积神经网络在脑肿瘤分类中的应用第三届电子、通信和航空航天技术国际会议。Coimbatore，India：ICECA）;2019.第128- 132页。https://doi.org/10.1109/ICECA.2019.8821931。2019年。[13] Rezaei Kimia，Agahi Hamed，Mahmoodzadeh Azar.加权投票分类器集成用于MR图像中的脑肿瘤分类。IETEJ Res 2020.https://doi.org/10.1080/03772063.2020.1780487网站。[14] 放大图片作者：Anaraki AK，Ayati M，Kazemi F.基于卷积神经网络和遗传算法的脑肿瘤磁共振分级分类和分级。 Biocybernetics and Biomedical Engineering2019;39：63-74.[15] Sultan HH，Salem NM，Al-Atabany W.使用深度神经网络对脑肿瘤图像进行多分类。IEEE Access 2019;7：69215-25.https://doi.org/10.1109/ACCESS.2019.2919122.[16] 巴扎·MM，巴加克塔罗夫和M·C·M。脑肿瘤的MRI图像分类使用卷积神经网络。应用科学2020;10：1999.[17] Khan Hassan Ali，Wu Jue，Mushtaq Muhammad，Mushtaq Muhammad Umer.基于卷积神经网络的MRI图像脑肿瘤分类。数学生物科学工程2020;17（第5期）：6203-16。[18] Khan Swati，Z. N.，赵，Q.，Kabir，M.，Ali，F.，Ali，Z.，艾哈迈德，S.，&卢，J，“使用迁移学习和微调对MR图像进行脑肿瘤分类”，Comput Med ImagGraph，doi：10.1016/j. compmedimag。2019.05.001.[19] 萨辛·K. 使用更快的R-CNN从MRI图像中检测和分类脑肿瘤。 Tehn ickinik2019;13（4）：337- 42. https://doi.org/10.31803/tg-20190712095507.[20] Babu Nandpuru Hari，Salankar SS，Bora VR.使用支持向量机的MRI脑癌分类。博帕尔：IEEE电气，电子和计算机科学学生会议; 2014年。第1-6页。https://doi.org/10.1109/SCEECS.2014.6804439。2014年。[21] R. Lavanyadevi，M. Machakowsalya，J.Nivethitha和A. N. Kumar，“使用PNN进行MRI图像中的脑肿瘤分类和分割”，2017年IEEE电气、仪器和通信工程国际会议（ICEICE），Karur，2017年，第100页。1-6，doi：10.1109/ICEICE.2017.8191888。[22] Tk K，Xavier S，脑肿瘤早期评估和分类的智能系统。第二届创新通信和计算技术国际会议（ICICCT）。哥印拜陀2018.第1265- 1268页。网址：//doi.org/10.1109/ICICCT.2018.8473297. 2018年[23] ChengJ，Huang W，Cao S，Yang R，Yang W，Yun Z，Wang Z，Feng Q. 通过肿瘤区域增强和分区增强脑肿瘤分类的性能。PloS One2015;10（10）：e0140381.[24] 脑肿瘤数据集。https：//figshare：com/articles/braintumors.net/1512427/5.[2019年9月9日]。[25] Loizou P，Kyriacou EC，Seimenis I，Pantziaris M，Petroudi S，KaraolisM，Pattichis CS.多发性硬化患者脑白质病变分类对未来残疾的预后 Intell DecisTechnol 2013;7（1）：3-10.A.S. M Shafi等人医学信息学解锁24（2021）1006088[26] Stuart PL等人，最小二乘量化在pcm中。IEEE跨信息理论1982;28（2）：129-37.[27] 梅塞施米特最大输出熵的量化（相应）。IEEE TransInfTheor 1971;17（5）：612.[28] 香农角通信的数学理论，贝尔系统技术杂志27。 和623-656 Math Rev：MR 10 1948;20：379-423。133 e.[29] Montgomery S，Hassan A，Bahmanyar S，Brus O，Hussein O，Hiyoshi A.多发性 硬 化 症 患 者 脑 肿 瘤 诊 断 后 的 死 亡 率 BMJ 公 开 2013;3 ： e003622 。https://doi.org/10.1136/bmjopen-2013-003622网站。[30] Pa'lE，Gom oriEE，Ga'tiI. 多发性神经纤维瘤病和胶质母细胞瘤1例硬化症欧洲神经学杂志2001;8：717-8. 10.1046/j.1468-1331。2001.00320。X.