刘 颖，李东喜

(太原理工大学 大数据学院，山西 晋中 030600)

0 引 言

胶质瘤是形状不规则且边界不明确的恶性肿瘤，人工检测难度大[1]。且胶质瘤分为低级神经胶质瘤(low grade glioma，LGG)、多形性胶质母细胞瘤(glioblastoma multiforme，GBM)等[2]，人工分级难度大且费时费力。因此开发计算机辅助诊断(computer aided design，CAD)系统以帮助和支持精准医疗是必不可少的。

核磁共振成像(magnetic resonance imaging，MRI)是检测和分析脑肿瘤的常用成像技术[3]。但不同级别脑胶质瘤间影像学表现重叠较多，且通常边界模糊，仅靠传统的图像分析方式难以对胶质瘤进行准确检测和分级[4]。近年来从医学影像中检测肿瘤感兴趣区域(region of interest，ROI)需要进行大量手动工作[5]，且无法在单个框架中支持检测和分类问题。而深度学习技术作为常规手工特征分类器的替代，可以从整个数据中学习显著特征，并提供较高的识别精度[6]。其中“你只看一次”(you only look once，YOLO)将目标检测和分类统一为回归问题，利用了单个网络就可以对整个图像的信息进行编码并快速帮助预测[7]。并且最先进的YOLOv3版本具有更高的检测精度和速度，在检测小目标方面也表现出色。近年来为了更有效地利用神经网络的输入特征，提出了DenseNet架构[8]，它通过密集块和过渡层两个结构加强了特征在神经网络中的传播，有效地解决梯度消失的问题，提高神经网络的分类精度。

因此本研究使用YOLOv3算法并用DenseNet将之改进来优化具有低分辨率的要素层，构建用于胶质瘤的检测和分类的CAD系统，探讨其性能。为脑胶质瘤患者个体化、精准治疗提供工具。……