基于深度学习的术前多模态MR图像胶质母细胞瘤生存预测自动工作流
医学物理
2021-07-07 v1 图像与视频处理
摘要
我们提出了一种利用深度学习（DL）方法的胶质母细胞瘤（GBM）生存预测全自动工作流。研究纳入285例胶质瘤（210例GBM，75例低级别胶质瘤）患者。其中163例GBM患者具有总生存（OS）数据。每位患者均有四次术前MR扫描及手工勾画的肿瘤轮廓。对于自动肿瘤分割，使用122例胶质瘤患者训练并验证了一个三维卷积神经网络（CNN）。将训练好的模型应用于其余163例GBM患者以生成肿瘤轮廓。利用显式设计算法和预训练CNN分别从自动轮廓中提取手工设计与基于DL的影像组学特征。163例GBM患者被随机划分为训练集（n=122）和测试集（n=41）用于生存分析。采用带正则化技术的Cox回归模型训练以构建手工设计与基于DL的特征签名。对两种签名的预后能力进行了评估与比较。该三维CNN在163例GBM患者的肿瘤分割中取得了0.85的平均Dice系数。手工设计签名取得了0.64的C-index（95% CI：0.55-0.73），而基于DL的签名取得了0.67的C-index（95% CI：0.57-0.77）。与手工设计签名不同，基于DL的签名成功将测试患者划分为两个预后显著差异的组（p值<0.01，HR=2.80，95% CI：1.26-6.24）。所提出的三维CNN从四幅MR图像中生成了准确的GBM肿瘤轮廓。基于DL的签名在更高的C-index和显著的患者分层方面，取得了优于手工设计签名的GBM生存预测。所提出的自动影像组学工作流展示了改善GBM患者分层与生存预测的潜力。
引用
@article{arxiv.2001.11155,
title = {An automatic deep learning-based workflow for glioblastoma survival prediction using pre-operative multimodal MR images},
author = {Jie Fu and Kamal Singhrao and Xinran Zhong and Yu Gao and Sharon Qi and Yingli Yang and Dan Ruan and John H Lewis},
journal= {arXiv preprint arXiv:2001.11155},
year = {2021}
}