脑肿瘤是成年犬的主要关注点,总体报告的患病率为4.5％。狗脑肿瘤的治疗选择包括对症治疗，化疗，手术，放射治疗，手术联合化疗和/或放射治疗。当选择对症治疗或放射治疗作为治疗选择时，通常不进行病变的组织病理学分析，诊断仅基于成像专家的解释。尽管某些成像特征可能用于增加或减少对特定肿瘤类型的怀疑，但脑膜和轴内病变之间的区别有时可能具有挑战性。脑膜瘤和胶质瘤占有的大部分原发性脑肿瘤，并且在选择正确的治疗方法中必须区分这两种形式。
　　 随着对高质量兽医护理的需求不断增加，诊断成像的作用逐渐变得越来越重要。在这种情况下，诊断图像解释的彻底标准化变得越来越令人满意。基于纹理分析的方法可能应用于其他诊断成像技术,如MRI或计算机断层扫描，在兽医学中很少被研究。在另一方面，一些研究探索使用纹理分析，以建立超声和病理学之间的关系已经发表。这些研究的主要目的是克服超声检查的固有局限性，以确定由退行性病变引起的实质器官（主要是肾脏和肝脏）外观的细微变化。
　　 在目前的工作中，研究人员试图利用CNN来提取和分析复杂的数据模式，以区分对比前和后T1图像和T2图像中的脑膜瘤和神经胶质瘤。此外，研究人员开发了一种图像分类器，可以在临床情况下前瞻性地用于预测病变是脑膜瘤还是胶质瘤; 这样的分类器基于显示最高精度的CNN和MRI序列的组合。
　　 在2011年1月至2018年1月期间，对患有MRI扫描显示颅内占位性病变以及脑膜瘤或脑胶质瘤的最终组织病理学诊断的狗进行了回顾性搜索，英国（机构2）Dick White转诊。在此阶段没有基于病变的组织病理学分类进行先验选择。
　　 MRI扫描使用0.4T开放式永磁体在Institution 2进行,并使用0.22T开放式永磁体在机构1.两个机构使用不同的成像协议。仅MRI扫描包括T2W快速自旋回波系列和对比前后（钆基介质）T1W旋转-echo系列包括在该研究中。所有图像均采用3至5毫米切片厚度，间隙为10％，同时每次采集使用2至4个平均值来改善信噪比。
　　 所有MRI研究均以原始医学数字成像通信格式的.jpg格式导出。对比前和对照后的T1和T2序列包括在该研究中。分别分析属于不同成像序列的图像。选择背部，矢状和横向扫描以增加可用图像的数量。基于最终的组织病理学诊断（脑膜瘤或神经胶质瘤），将所有包含病变的图像分成两个不同的文件夹。此后，裁剪图像，使得仅包括病变和周围组织的一小部分。最后，使用照片编辑程序将图像调整为224×224像素格式以匹配CNN要求。
　　 由于研究人员数据库的规模有限，研究人员在研究人员的图像上重新训练了一个名为GoogleNet 的预训练CNN ，这个过程称为“转移学习”。用于神经网络的内置MATLAB工具箱用于实验。GoogleNet接受了大型图像数据库的培训[ImageNet数据库包括属于1000个不同类别的大约120万个日常图像。GoogleNet是一个极深的神经网络（它包含144个不同的层），由几个具有特定功能的图层类型组成。对GoogleNet结构的深入描述超出了本文的目的，但对CNN如何工作的一般描述对其清晰度有用。CNN的基本组成部分是：卷积层,汇集层和密集层。卷积层从图像中提取大量特征，并在整个图像中创建这些特征分布的地图。更深的卷积层能够检测到更复杂的特征。池化层用于减少数据量，减小特征映射的大小，同时保留最重要的信息。密集层是分类层，相当于经典的人工神经网络; 一组互连的神经元，分析输入并生成输出以对新数据进行预测。
　　 然后在新数据集上调整从ImageNet数据库派生的特征以预测新图像的标签。
　　 为了防止过度拟合（即，泛化性能差），将数据集中的图像随机分成训练集，验证集和测试集，分别包括70％，15％和15％的图像。验证集用于微调网络参数,测试集用于测试网络准确性。如果仅使用训练集和测试集，则网络过度适应测试数据的风险很高，因此泛化性能差（过度拟合）。网络参数设置如下：LearnRateSchedule =分段，MaxEpochs = 120.早期停止功能用于进一步防止过度拟合; 如果验证集中的准确性在五个连续时期内停止增加（一个时期是整个训练集中网络的完整迭代）。CNN的准确度由损失（或成本）函数测量：损失函数测量CNN输出与数据的实际标签之间的差异。成本函数值越低，网络性能越高。当损失停止减少时，CNN已达到分类问题的最佳解决方案（对于网络，数据集和设置，意味着最佳准确度）。学习率定义了达到最佳解决方案的网络步骤的大小; 如果步骤太大，则可以跳过最佳解决方案，如果步骤太小，则网络可能花费不合理的时间来训练。研究人员对网络进行了编程，使学习率适应学习过程，使学习率越低，网络越接近最优解。然后将分类准确度显示为测试集中正确标记图像的百分比，并作为真实和预测图像类别的混淆矩阵。为了解释训练，验证和测试集中图像的随机分布，重复分析五次。
　　 使用交叉分类表方法来计算训练分类器的准确度。准确度计算为正确分类病例的百分比。为了弥补两个类别之间病例的不同分布（脑膜瘤的总数是胶质瘤的两倍以上），还需要额外的准确度指标，如敏感性，特异性，Cohen's Kappa（CK）和Matthews相关系数（MCC），计算。数据以中位数报告，具有整体范围的限制。
　　 为了开发和测试研究人员训练有素的分类器，研究人员要求其中一位作者选择五个病例，其中根据影像学报告，病变位置（轴内或轴外）使得难以评估。选择10个图像（5个属于脑膜瘤病例，5个属于神经胶质瘤病例）并从用于重新训练网络的数据库中排除。然后，GoogleNet在整个图像集（减去十个所选图像）（trCNN）上进行了重新训练，之后用于预测10个先前排除的图像的标签。
　　 该研究包括80个病例。二十四个病例最终诊断为胶质瘤和56个脑膜瘤。本研究中包括的45个脑膜瘤病例也是先前关于纹理图像分析的研究的一部分。报告了组织病理学分析的完整结果。56例脑膜瘤病例中有6例被丢弃，因为病变完全是囊性的，只有不足量的组织可用于分析。
　　 近年来，人类和兽医学 都提出了几种图像分析技术。在其他图像分析技术（例如纹理分析）中深度学习的主要优点之一是可以直接在图像上训练深度学习算法，并且一旦开发出来，就可以应用于新图像以进行预测。一类专门的深度学习架构，即所谓的卷积神经网络，被认为是最先进的图像分析和分类算法; 正在开发用于结构检测，图像分割和计算机辅助诊断的医学成像中的大量不同应用。深度学习在医学成像中也越来越受欢迎，用于其他任务，例如：自动创建研究方案，提高图像质量，同时降低CT中的辐射剂量; 提高图像质量，缩短MRI扫描时间; 加上许多其他人。一些具有强大计算能力的计算机的可用性，以及轻松创建和共享大型数据集的范围，都可以作为医学成像领域中基于深度学习的应用程序开发的助推器，以及一些常规使用可能会在不久的将来看到协助放射科医师决策过程的应用。最近，已经探索了使用深度学习从犬超声图像中检测犬患者的退行性肝病的可能性。
　　 GoogleNet在区分脑膜瘤和胶质瘤方面对所有成像序列显示出非常高的准确性，这表明使用转移学习是研究人员分类问题的合适解决方案。在测试研究人员的trCNN时，根据MB的意见选择测试用例，因为本研究的目的之一是评估那些导致专家挑战的案例中的trCNN表现放射科医生。特别是，根据研究人员的经验，胶质瘤更像是轴外肿瘤而不是类似于轴内病变的脑膜瘤更为常见。前瞻性地，使用本研究中开发的CNN可能有助于临床医生区分轴内和轴外病变。
　　 这项工作最重要的局限是其病例数量相对较少以及胶质瘤与脑膜瘤病例之间的不平衡。然而，由于trCNN显示的高分类精度，作者认为这种不平衡并不是主要的限制。GoogleNet分类性能使用精确度指标进行了仔细评估，这些指标专门用于评估严重不平衡数据库中分类器的性能。特别是，MCC在区间[ - 1,1]中取值，1表示完全一致，-1表示完全不一致，0表示预测与基础事实不相关。应用于造影后T1图像的GoogleNet的MCC为0.88（范围：0.78-0.97），表明图像的真实和预测的组织病理学类别之间具有非常高的一致性。
　　 基于报告的数据，值得注意的是，尽管在胶质瘤和脑膜瘤中组织学亚型的内在可变性，但此处提出的模型显示出优异的分类结果。需要进一步研究，最好包括来自不同机构的大量患者，以确定研究人员的trCNN的真实泛化性能。
　　 另一个重要的限制是，根据研究人员提出的模型，研究中仅包括两个组织病理学类型的脑肿瘤，并且无论病变的实际性质如何，trCNN都必须将每个病变分类为脑膜瘤或神经胶质瘤。然而，该方法学研究的目的不是提出即用型临床试验，而是回顾性地探索CNN区分狗中两种最常见的原发性脑肿瘤的能力。研究人员的trCNN获得的优异分类结果表明，CNN可以成为神经放射科医生和临床医生规划正确治疗方案的有用工具。
　　 本研究报告的结果表明，CNN可以成为区分MR图像中不同脑膜瘤和胶质瘤的可靠工具。需要进一步的研究，可能包括更多的病例和组织病理学类别，以确定CNN在临床情况下的表现。