根据细胞类型，侵袭性和肿瘤分期，原发性脑部肿瘤涵盖范围广泛的肿瘤。快速准确地表征肿瘤是治疗计划的关键方面。这是当前由训练有素的放射线医师保留的任务，但在将来，计算，尤其是高性能计算将发挥辅助作用。

乔治·比罗斯(George Biros)是德克萨斯大学奥斯汀分校的机械工程学教授，ICES并行数据分析和仿真算法小组的负责人，他已经工作了近十年时间，以创建可以表征神经胶质瘤的最准确，高效的计算算法。侵略性原发性脑肿瘤。

在第20届国际医学图像计算和计算机辅助干预国际会议(MICCAI 2017)上，Biros和宾夕法尼亚大学(由Christos Davatzikos教授领导)，休斯敦大学(由Andreas Mang教授领导)和斯图加特大学(领导)合作由Miriam Mehl教授提供)介绍了一种新型的全自动方法的结果，该方法将肿瘤生长的生物物理模型与机器学习算法相结合，用于分析神经胶质瘤患者的磁共振(MR)成像数据。新方法的所有组件都由德克萨斯高级计算中心(TACC)的超级计算机启用。

Biros的团队在2017年多模式脑肿瘤分割挑战赛(BRaTS'17)中测试了他们的新方法，这项年度竞赛来自世界各地的研究小组在此过程中介绍了计算机辅助识别和分类脑肿瘤的方法和结果，以及不同方法使用术前MR扫描来检查癌症区域类型。

他们的系统在挑战中得分最高，达到25%，在整个肿瘤分割方面也接近最高。

Biros说：“竞争与神经胶质瘤肿瘤患者的异常组织特征有关，神经胶质瘤肿瘤是原发性脑肿瘤的最普遍形式。”“我们的目标是拍摄图像并自动描绘轮廓，并识别不同类型的异常组织-水肿，增强肿瘤(具有高度侵袭性肿瘤的区域)和坏死组织。这类似于给家人拍照并进行面部识别，识别每个成员，但是在这里您要进行组织识别，并且所有这些都必须自动完成。”

培训和测试预测管道

为应对这一挑战，Biros和他的十几名学生和研究人员的团队预先获得了300套大脑图像，所有团队都在其上校准了他们的方法(在机器学习中被称为“训练”)。

在挑战的最后一部分，向各组提供了140位患者的数据，他们不得不在两天内就确定了肿瘤的位置并将其分为不同的组织类型。

“在48小时的窗口中，我们需要我们所能获得的所有处理能力，” Biros解释说。

Biros和他的团队使用的图像处理，分析和预测流程包括两个主要步骤：有监督的机器学习步骤，其中计算机为目标类别(“整个肿瘤”，“水肿”，“肿瘤核心”)创建概率图。 ;第二步是将这些概率与生物物理模型相结合，以数学方式表示肿瘤的生长方式，这对分析施加了限制，并有助于找到相关性。

TACC计算资源使Biros的团队可以使用大规模最近邻分类器(一种机器学习方法)。对于MR脑部图像中的每个体素或三维像素，系统都会尝试查找已经看到的大脑中所有相似的体素，以确定该区域是肿瘤还是非肿瘤。