神经胶质瘤是最常见的原发性脑肿瘤，并通过使用世界卫生组织（WHO）系统进行低级神经胶质瘤（LGG）（I级和II级）和高级神经胶质瘤（III级伴随性神经胶质瘤和等级等级）进行了组织病理学表现进行分类。 IV胶质母细胞瘤。

神经胶质瘤，尤其是高级的，表现出不规则的生长模式，渗透到周围的大脑，因此显示出不规则的边界，在常规磁共振图像（MRI）MR图像上可能尚不清楚MR图像是由放射学家视觉检查的，但是，视觉评估是主观的，时间消耗，时间消耗的时间并容易因评估者间差异而引起的可变性。准确描述肿瘤边界以及肿瘤体积的评估对于治疗计划和监测治疗反应至关重要。然而，由于肿瘤异质性和复杂性，与周围组织的信号强度重叠，以及肿瘤生长不均匀，因此使用主观视觉评估对神经胶质瘤边界的准确描述通常很困难。

与肿瘤容量相比，肿瘤大小的常规视觉评估基于总肿瘤体积的简单线性测量。这些双维测量通常是在单个MRI切片上进行的，而无需体积测量。这些线性测量值是用户依赖性的，并且由于测量变异性的增加而容易出现错误，尤其是在不规则形状的病变中，基于计算机的全自动肿瘤分割方法为这些问题提供了一种可能的解决方案。该过程基于使用概率组织模型从结构性脑MRI图像中提取信息，以使用不同的MRI脉冲序列来定义透明肿瘤边界。这些方法可以准确，快速地鉴定出周围正常脑组织的神经胶质瘤，并执行肿瘤体积，同时消除了观察者内和观察者间的可变性内部变化内部变化，例如增强模式和退化对于鉴定胶质瘤等级至关重要治疗，监测疾病进展和评估治疗的功效。在自动神经胶质瘤分割的过程中，神经胶质瘤的不同部分被描述为固体（活性）肿瘤，坏死和肿瘤周围水肿。

自动分割方法利用人工智能和机器学习技术从多序列MRI中提取信息，包括T1W，Gadolinium增强了T1W，T2W和FLAIR序列。

适当评估肿瘤切除程度在神经胶质瘤的预后中起着重要作用，因为最大化切除程度会影响这些患者的生存。完全切除增强肿瘤，定义为去除肿瘤的最终1-2％，似乎在患者的生存方面提供了最大的好处。自动分割可以通过准确的肿瘤定位和分类来更好地诊断和适当的治疗计划。

• Soltaninejad M，Yang G，Lambrou T，Allinson N，Jones TL，Barrick TR，Howe FA，Ye X.使用基于Superpixel的Flair MRI中的极为随机树的自动化脑肿瘤检测和分割。 Int J计算机协助放射线外科手术。 2017年2月; 12（2）：183-203。 doi：10.1007/s11548-016-1483-3。 EPUB 2016年9月20日。
• Wen PY，MacDonald DR，Reardon DA，Cloughesy TF，Sorensen AG，Galanis E，Degroot J，Wick W，Wick W，Gilbert MR，Lassman AB，Tsien C，Tsien C，Mikkelsen T，Wong ET，Chamberlain MC，STUPEP R，Stuppp R，Lamborn KR，Lamborn KR，Vogelbaum Ma Ma Ma ，van den bent MJ，Chang SM。高级神经膜瘤的更新响应评估标准：神经肿瘤工作组的响应评估。 J Clin Oncol。 2010年4月10日； 28（11）：1963-72。 doi：10.1200/jco.2009.26.3541。 Epub 2010 3月15日。
• Niyazi M，Brada M，Chalmers AJ，Combs SE，Eridge SC，Fiorentino A，Grosu AL，Lagerwaard FJ，Minniti G，Mirimanoff RO，Ricardi U，Ricardi U，Short SC，Weber SC，Weber DC，Belka C. Estro-Acrop指南胶质母细胞瘤”。 Radiother Oncol。 2016年1月； 118（1）：35-42。 doi：10.1016/j.radonc.2015.12.003。 EPUB 2016 JAN 6。
• Tabatabai G，Stupp R，Van den Bent MJ，Hegi ME，Tonn JC，Wick W，Weller M. Gliomas的分子诊断：临床视角。 Acta Neuropathol。 2010年11月； 120（5）：585-92。 doi：10.1007/s00401-010-0750-6。 EPUB 2010年9月23日。
• Kanaly CW，Mehta AI，Ding D，Hoang JK，Kranz PG，Herndon JE 2nd，Coan A，Crocker I，Waller AF，Friedman AH，Reardon DA，Sampson JH。一种新型，可重现和客观的方法，用于增强胶质母细胞瘤的体积磁共振成像评估。 J Neurosurg。 2014年9月; 121（3）：536-42。 doi：10.3171/2014.4.4.jns121952。 EPUB 2014年7月18日。
• Meier R，Knecht U，Loosli T，Bauer S，Slotboom J，Wiest R，ReyesM。纵向脑肿瘤体积的完全自动分割方法的临床评估。 SciRep。20163月22日; 6：23376。 doi：10.1038/srep23376。
• Gordillo N，Montseny E，Sobrevilla P. MRI脑肿瘤分割的艺术调查。麦克谐调成像。 2013年10月; 31（8）：1426-38。 doi：10.1016/j.mri.2013.05.002。 EPUB 2013 6月20日。评论。
• Porz N，Habegger S，Meier R，Verma R，Jilch A，Fichtner J，Knecht U，Radina C，Schucht P，Beck J，Raabe A，Slotboom J，Reyes M，WiestR。机器重新加载。 PLOS ONE。 2016年11月2日； 11（11）：E0165302。 doi：10.1371/journal.pone.0165302。 2016年环保。
• Naceur MB，Saouli R，Akil M，KachouriR。使用MRI图像中端到端递增的深神经网络进行全自动脑肿瘤分割。计算方法程序生物元。 2018年11月； 166：39-49。 doi：10.1016/j.cmpb.2018.09.007。 EPUB 2018年9月21日。

纳入标准：

- 由MRI鉴定的脑神经胶质瘤患者将接受手术治疗

排除标准：

• 先前操作或活检的神经胶质瘤。

神经胶质瘤' target='_blank'>神经胶质瘤是最常见的原发性脑肿瘤，并通过使用世界卫生组织（WHO）系统进行低级神经胶质瘤' target='_blank'>神经胶质瘤（LGG）（I级和II级）和高级神经胶质瘤' target='_blank'>神经胶质瘤（III级伴随性神经胶质瘤' target='_blank'>神经胶质瘤和等级等级）进行了组织病理学表现进行分类。 IV胶质母细胞瘤。

神经胶质瘤' target='_blank'>神经胶质瘤，尤其是高级的，表现出不规则的生长模式，渗透到周围的大脑，因此显示出不规则的边界，在常规磁共振图像（MRI）MR图像上可能尚不清楚MR图像是由放射学家视觉检查的，但是，视觉评估是主观的，时间消耗，时间消耗的时间并容易因评估者间差异而引起的可变性。准确描述肿瘤边界以及肿瘤体积的评估对于治疗计划和监测治疗反应至关重要。然而，由于肿瘤异质性和复杂性，与周围组织的信号强度重叠，以及肿瘤生长不均匀，因此使用主观视觉评估对神经胶质瘤' target='_blank'>神经胶质瘤边界的准确描述通常很困难。

与肿瘤容量相比，肿瘤大小的常规视觉评估基于总肿瘤体积的简单线性测量。这些双维测量通常是在单个MRI切片上进行的，而无需体积测量。这些线性测量值是用户依赖性的，并且由于测量变异性的增加而容易出现错误，尤其是在不规则形状的病变中，基于计算机的全自动肿瘤分割方法为这些问题提供了一种可能的解决方案。该过程基于使用概率组织模型从结构性脑MRI图像中提取信息，以使用不同的MRI脉冲序列来定义透明肿瘤边界。这些方法可以准确，快速地鉴定出周围正常脑组织的神经胶质瘤' target='_blank'>神经胶质瘤，并执行肿瘤体积，同时消除了观察者内和观察者间的可变性内部变化内部变化，例如增强模式和退化对于鉴定胶质瘤等级至关重要治疗，监测疾病进展和评估治疗的功效。在自动神经胶质瘤' target='_blank'>神经胶质瘤分割的过程中，神经胶质瘤' target='_blank'>神经胶质瘤的不同部分被描述为固体（活性）肿瘤，坏死和肿瘤周围水肿。

自动分割方法利用人工智能和机器学习技术从多序列MRI中提取信息，包括T1W，Gadolinium增强了T1W，T2W和FLAIR序列。

适当评估肿瘤切除程度在神经胶质瘤' target='_blank'>神经胶质瘤的预后中起着重要作用，因为最大化切除程度会影响这些患者的生存。完全切除增强肿瘤，定义为去除肿瘤的最终1-2％，似乎在患者的生存方面提供了最大的好处。自动分割可以通过准确的肿瘤定位和分类来更好地诊断和适当的治疗计划。

• Soltaninejad M，Yang G，Lambrou T，Allinson N，Jones TL，Barrick TR，Howe FA，Ye X.使用基于Superpixel的Flair MRI中的极为随机树的自动化脑肿瘤检测和分割。 Int J计算机协助放射线外科手术。 2017年2月; 12（2）：183-203。 doi：10.1007/s11548-016-1483-3。 EPUB 2016年9月20日。
• Wen PY，MacDonald DR，Reardon DA，Cloughesy TF，Sorensen AG，Galanis E，Degroot J，Wick W，Wick W，Gilbert MR，Lassman AB，Tsien C，Tsien C，Mikkelsen T，Wong ET，Chamberlain MC，STUPEP R，Stuppp R，Lamborn KR，Lamborn KR，Vogelbaum Ma Ma Ma ，van den bent MJ，Chang SM。高级神经膜瘤的更新响应评估标准：神经肿瘤工作组的响应评估。 J Clin Oncol。 2010年4月10日； 28（11）：1963-72。 doi：10.1200/jco.2009.26.3541。 Epub 2010 3月15日。
• Niyazi M，Brada M，Chalmers AJ，Combs SE，Eridge SC，Fiorentino A，Grosu AL，Lagerwaard FJ，Minniti G，Mirimanoff RO，Ricardi U，Ricardi U，Short SC，Weber SC，Weber DC，Belka C. Estro-Acrop指南胶质母细胞瘤”。 Radiother Oncol。 2016年1月； 118（1）：35-42。 doi：10.1016/j.radonc.2015.12.003。 EPUB 2016 JAN 6。
• Tabatabai G，Stupp R，Van den Bent MJ，Hegi ME，Tonn JC，Wick W，Weller M. Gliomas的分子诊断：临床视角。 Acta Neuropathol。 2010年11月； 120（5）：585-92。 doi：10.1007/s00401-010-0750-6。 EPUB 2010年9月23日。
• Kanaly CW，Mehta AI，Ding D，Hoang JK，Kranz PG，Herndon JE 2nd，Coan A，Crocker I，Waller AF，Friedman AH，Reardon DA，Sampson JH。一种新型，可重现和客观的方法，用于增强胶质母细胞瘤的体积磁共振成像评估。 J Neurosurg。 2014年9月; 121（3）：536-42。 doi：10.3171/2014.4.4.jns121952。 EPUB 2014年7月18日。
• Meier R，Knecht U，Loosli T，Bauer S，Slotboom J，Wiest R，ReyesM。纵向脑肿瘤体积的完全自动分割方法的临床评估。 SciRep。20163月22日; 6：23376。 doi：10.1038/srep23376。
• Gordillo N，Montseny E，Sobrevilla P. MRI脑肿瘤分割的艺术调查。麦克谐调成像。 2013年10月; 31（8）：1426-38。 doi：10.1016/j.mri.2013.05.002。 EPUB 2013 6月20日。评论。
• Porz N，Habegger S，Meier R，Verma R，Jilch A，Fichtner J，Knecht U，Radina C，Schucht P，Beck J，Raabe A，Slotboom J，Reyes M，WiestR。机器重新加载。 PLOS ONE。 2016年11月2日； 11（11）：E0165302。 doi：10.1371/journal.pone.0165302。 2016年环保。
• Naceur MB，Saouli R，Akil M，KachouriR。使用MRI图像中端到端递增的深神经网络进行全自动脑肿瘤分割。计算方法程序生物元。 2018年11月； 166：39-49。 doi：10.1016/j.cmpb.2018.09.007。 EPUB 2018年9月21日。

纳入标准：

- 由MRI鉴定的脑神经胶质瘤' target='_blank'>神经胶质瘤患者将接受手术治疗

排除标准：

• 先前操作或活检的神经胶质瘤' target='_blank'>神经胶质瘤。