胶质瘤是最常见的中枢神经系统肿瘤，根据侵袭性组织病理学结果分类为世界卫生组织。胶质瘤的术前分级，特别是低级别胶质瘤与高级别胶质瘤之间的区别，对治疗至关重要。计划和预后预测，磁共振成像已成为手术前胶质瘤诊断的必要途径。通过提取感兴趣区域或像素水平的统计方差，直方图特征或纹理特征来分析常规和高级磁共振成像模态。尽管各组之间的图像特征明显不同，并且在胶质瘤分级中显示出有希望的敏感性，但它仍远未达到准确的个性化诊断。近年来，机器学习技术已应用于胶质瘤分级，从一组训练数据中自动学习辨别特征模式，然后建立相应的模型来预测个体胶质瘤等级。在这些研究中，通过从各种参数图中提取图像特征来导出满意的性能。应用不同的特征归一化和选择算法来提高辨别模型的效率。然而，传统的机器学习方法存在两个主要缺点。首先，成像预处理过程复杂且耗时，这高度依赖于操作者的经验。其次，歧视模型的稳健性很低。这两个因素使得这些研究成为研究对象并且远离睡眠。
　　 最近复兴的技术，即深度学习，已经显示出其在评估医学问题方面的潜力，特别是卷积神经网络。众所周知，它具有良好的稳健性和自学能力。而不是手动提取特征，深度卷积神经网络在训练过程中自动学习更深和抽象的图像特征。已经有很多研究利用卷积神经网络来解决医学问题，例如癌症检测与先前研究中应用的方法相比，具有优异的性能。至于神经胶质瘤，深度学习已经显示出通过使用磁共振成像图像预测关键分子标志物如编码和启动子甲基化的有希望的能力。然而，与自然图像不同，医学图像领域的主要挑战是训练数据量不足。转移学习是解决这一问题的有效方法，已在多项研究中得到应用和评估。从大规模自然图像数据库中学到的深度卷积激活特征已成功转移到组织病理学图像的分类和分割，几乎没有训练数据。同时，预训练的卷积神经网络已被用于射线和模式的检测，并且它们已经产生了最佳性能结果，指出转移学习减少了训练和测试数据之间的数据分布不匹配，这是传统机器学习方法精度低的主要问题。因此，研究员假设深度学习结合转移学习方法可以高度准确地区分脑胶质瘤中的等级。
　　在这项研究中，研究员旨在通过分析常规磁共振成像图像来训练卷积神经网络对和进行非侵入性分类。首先，研究员探索并评估了两种卷积神经网络架构的性能，在胶质瘤分级中具有不同参数和层次。由于样本量相对较小，研究员通过微调评估了转移学习的影响。在患者水平五倍交叉验证下研究并报告所有分类性能。即使自然图像和医学图像有显着差异，研究员的研究通过微调进行转移学习也提高了精度。在机器学习研究中，基本假设是需要测试的训练数据和未来数据在同一特征空间中并具有相同的分布。但是，医疗分类任务的训练数据非常不足。将从大型数据库中学到的特征知识转移到特定的医疗任务是一种有效的方法。众所周知，从最早的卷积神经网络层学到的特征通常是一般特征，例如形状，边缘和颜色，它们适用于许多数据集和任务。层越深，学习的特征就越抽象。然后，最后一层是针对特定任务的。因此，由于自然图像和医学灰度图像的不同尺寸，在研究员的胶质瘤分级任务中微调第一卷积层和最后完全连接层。
　　可以以常规顺序鉴定各种肿瘤亚区域的体积，周围组织的压缩和中线偏差。然而，即使先进的磁共振序列尚未用于临床诊断，它们在胶质瘤分级中的潜力已经在一些研究中得到证实。术前设置中的动态对比度增强磁共振成像测量对比度摄取的药代动力学参数，其可能与早期疾病进展和存活相关。动态磁敏度对比磁共振成像可能有助于术前诊断。因此，有必要结合先进的磁共振成像序列来训练基于放射学的深层模型，用于未来研究中的胶质瘤分级。导致错误分类的主要因素有两个。首先由于胶质瘤的异质性，同一肿瘤中每个切片的增强条件有显着差异。其次，正常组织的强度，如海绵窦区，脉络丛和鼻腔，对结果有明显影响。为了克服这些问题，在未来的研究中应该尝试在肿瘤分割之前应用脑提取技术。而且，结合多视图图像可以改善性能。