基于Transformer的深度学习方法利用临床全脑MRI将脑转移瘤按原发器官部位分类
图像与视频处理
2022-04-22 v6 计算机视觉与模式识别
医学物理
摘要
脑转移性疾病的治疗决策依赖于对原发器官部位的了解，目前通过活检和组织学确定。在此，我们开发了一种新颖的深度学习方法，利用全脑MRI数据进行准确的无创数字组织学分析。我们经IRB批准的单一中心回顾性研究纳入了21年间因MRI治疗计划和伽马刀放射外科手术转诊的患者（n=1,399）。增强T1加权和T2加权液体衰减反转恢复脑MRI检查（n=1,582）经预处理后输入所提出的深度学习流程，用于肿瘤分割、模态迁移以及将原发部位分类为五类之一。十折交叉验证得到总体AUC为0.878（95%CI：0.873,0.883），肺类AUC为0.889（95%CI：0.883,0.895），乳腺类AUC为0.873（95%CI：0.860,0.886），黑色素瘤类AUC为0.852（95%CI：0.842,0.862），肾类AUC为0.830（95%CI：0.809,0.851），其他类AUC为0.822（95%CI：0.805,0.839）。这些数据证实全脑成像特征具有判别性，可实现原发恶性肿瘤器官部位的准确诊断。我们的端到端深度放射组学方法在从全脑MRI图像分类转移瘤类型方面具有巨大潜力。进一步改进可能提供一种宝贵的临床工具，以加速原发癌部位的识别，从而实现精准治疗并改善预后。
引用
@article{arxiv.2110.03588,
title = {A transformer-based deep learning approach for classifying brain metastases into primary organ sites using clinical whole brain MRI},
author = {Qing Lyu and Sanjeev V. Namjoshi and Emory McTyre and Umit Topaloglu and Richard Barcus and Michael D. Chan and Christina K. Cramer and Waldemar Debinski and Metin N. Gurcan and Glenn J. Lesser and Hui-Kuan Lin and Reginald F. Munden and Boris C. Pasche and Kiran Kumar Solingapuram Sai and Roy E. Strowd and Stephen B. Tatter and Kounosuke Watabe and Wei Zhang and Ge Wang and Christopher T. Whitlow},
journal= {arXiv preprint arXiv:2110.03588},
year = {2022}
}