脑膜瘤来自脑膜细胞起源肿瘤，是最常见的颅内肿瘤中具有0.9％的常规的脑磁共振成像的发生率。几乎三分之一的原发性颅内病变是脑膜瘤。据世界卫生组织，将病变分级为良性，非典型或间变性。组织学分级允许预测脑膜瘤的生物学行为和预后。已经有表示该等级II和III脑膜瘤与复发，侵入性和攻击性的增加的风险相关联的详细的研究。
　　 磁共振成像是用于诊断和脑膜瘤表征，切除规划，治疗决定和监测治疗的密钥方法。典型的脑膜瘤在形状上呈现无柄或扁豆状，并且具有明显的外切，显示出广泛的硬脑膜附着。它们具有强烈的层流对比度增强，并且在T2加权和液体衰减反转恢复图像中通常是等信号高信号。表观弥散系数值在脑膜瘤中可能存在显着差异，并且通常与正常脑组织等信号。可能存在脑实质的肿瘤周围水肿，特别是当脑膜瘤显示更大的肿瘤体积时。非典型和间变性脑膜瘤本与较大的肿瘤体积相比，良性脑膜瘤。此外，较高的脑膜瘤等级显示肿瘤生长更快。然而，目前尚无明确的放射学标准可以可靠地区分I级和II级脑膜瘤。间变性III级脑膜瘤在磁共振成像上呈现不同，并且通常是不规则形状的。
　　 据研究人员所知，目前还没有关于脑膜瘤全自动检测和分割的研究。由于脑膜瘤的肿瘤进展通常是缓慢的，多焦点的并且发生在不同的方向，因此脑膜瘤的自动检测可以促进和改善图像读取。关于磁共振成像脑膜瘤的手动容积测定，它已经显示，三维评估，以二维的评估提供用于检测肿瘤进展的增加的灵敏度相比。因此，评估肿瘤的生长，但是当脑膜瘤的体积评价是优于传统方法直径费时。此外，脑部MR图像的体积评估通常在常规图像评估中进行，并且对于许多神经疾病是必需的。
　　 相反，磁共振成像中的脑膜瘤的自动检测和分割可以在读取图像之前作为预处理进行，可能允许更详细的肿瘤体积分析和进一步的多参数图像分析。此外，由于阅读器间偏差减少，自动肿瘤分割和评估可以提高稳健性和可靠性。作为肿瘤体积在初级诊断复发率相关一个精确的容积测定有助于脑膜瘤等级之间进行区分。然而，生长和组织学分级之间的相关性是模糊的，并且必须进一步评估。
　　 自动脑肿瘤分割算法应该解决几个可靠的挑战，例如解剖学变化，由于不同的磁共振成像扫描仪引起的变化的成像数据以及扫描仪参数的变化。此外，病理，例如脑肿瘤在他们的介绍。深学习模型的技术进步导致显著的改善有关自动肿瘤检测，目前该技术在临床常规。深学习模型具有多个处理层，并导致需要训练数据量较大用于通过其自学习能力提取的特征的复杂分层结构的深卷积神经网络的抽象水平工作。神经网络体系结构由卷积，汇集和分类的不同层组成。必要的训练数据和分割“黄金标准”通常通过手动分割获得。对于手动脑瘤分割高分子内和20-30％之间评定者间的变异有报道。除了深度学习之外，其他自动化方法已被用于脑肿瘤分割，特别是对于大多数常见的颅内肿瘤，即脑膜瘤和神经胶质瘤。对于半自动分割，各种方法已被应用，如区域生长，随机游走，非负矩阵因数分解，模糊聚类和的算法。自动肿瘤体积定义也已应用于放射后患者，使用基于活动轮廓方法和患者特异性强度的算法。
　　 应用的DLM在胶质瘤成像数据上进行了训练。尽管两种肿瘤实体的外观不同，但检测和分割准确度很高。胶质瘤由对比增强的肿瘤部分，坏死和周围水肿组成，并且各种各样。相反，脑膜瘤作为固体对比增强肿瘤存在，伴有周围水肿和坏死，不常见。脑胶质瘤倾向于显示比例如胶质母细胞瘤更复杂的肿瘤结构，因此可以认为分类准确度应该更高。但是有几个具有挑战性的方面使得脑膜瘤的分割也很困难：液体衰减反转恢复中的周围水肿可能导致复杂的肿瘤结构，脑膜瘤主要位于与硬脑膜和/或颅底相关的位置，存在边界高信号结构，使得描绘具有挑战性;液体衰减反转恢复信号强度差异很大，脑膜瘤甚至可以呈现正常脑组织的等信号;脑膜瘤和周围组织也存在非均相时水肿和坏死的存在下，以增强对比度的肿瘤。因此，所提供的肿瘤检测和分割算法对于不同的脑肿瘤实体甚至其他脑损伤似乎是可行的。考虑到颅底的脑膜瘤，应用的DLM表现略差于凸起病变。尽管这一发现并不重要，但重要的是要考虑放射科医师可能需要DLM的大部分帮助来进行该区域的病变分割。此外，需要讨论轴内神经胶质瘤训练数据是否或在何种程度上影响颅底轴外脑膜瘤的检测和分割的性能。因此，作为应用的DLM的训练数据的额外脑膜瘤可以增强未来的表现。结果应该是用于神经肿瘤学的多功能检测和分割工具。
　　 除了回顾性研究设计之外，本研究还有一些局限性需要考虑。由于该研究测试了已知脑膜瘤的分割，因此该研究一般不测试脑膜瘤检测的准确性。此外，没有测试DLM在正常脑磁共振成像中分割假阳性肿瘤体积的程度。此外，所呈现的自动和手动分割之间的分割准确度对于临床应用可能仍然是初步的，并且应该在将来的研究中进行评估。相对少量的病例可能无法反映所有类型和大小的脑膜瘤。可用的图像数据非常多样化，因为它们包括来自转介机构的检查。此外，胶质瘤被用作DLM的训练数据;然而，该研究旨在评估自动检测和分割在多大程度上可行，尽管训练有差异，尽管存在异质成像数据，如临床常规中所示。该研究的目的不是提供专门用于脑膜瘤分割的DLM。尽管如此，研究人员计划将应用的DLM与手动脑膜瘤分割作为培训数据进行调整，以便在未来的研究中获得更好的结果。