Skögen等人9对95例患者进行了分析，使其与高级神经胶质瘤不同。这项研究报告了曲线下的重点操作特征区域。在另一项分类II级 - IV的研究中，Tian等人10使用支持载体机（SVM）模型进行了153例患者进行了TEXTURE分析，报告的准确性为98％。这项研究还表明，对比增强的T1加权（TICE）方法可为等级预测提供最佳序列。Xie等人11能够使用熵和无模型和动态对比增强的MR成像的熵以及III和III级胶质瘤分化III和IV级和III级。这些先前的MR成像 - 基于胶质瘤分级研究使用了直接提取的硬编码特征。我们假设这种方法限制了在多对抗MR图像中嵌入丰富信息的使用。这项工作的前提是，在图像对比度/强度的简单变化之外，丰富的成像信息如下； 1）深层嵌入在抗比例和后对比后增强的MR成像中，2）使用深度学习技术从标记的培训数据中学到了有价值的胶质瘤分级和3）。近年来，卷积神经网络（CNN）在众多视觉对象识别和图像分类研究中表现出了出色的表现。12他们还加速了医学图像分析的发展，其中13个包括肿瘤诊断的应用。14带有CNN，可以以逐层的方式从低到高水平学习特征的层次结构。15