低级别胶质瘤基因组亚型与深度学习算法自动提取的形状特征的关联
图像与视频处理
2019-06-11 v1 计算机视觉与模式识别
机器学习
摘要
近期分析识别出了与形状特征相关的低级别胶质瘤肿瘤的 distinct 基因组亚型。在本研究中，我们提出了一种基于深度学习分割来量化肿瘤影像特征的完全自动化方法，并检验这些特征是否能预测肿瘤基因组亚型。我们使用了来自 The Cancer Genome Atlas 的 5 家机构的 110 名低级别胶质瘤患者的术前影像和基因组数据。基于自动深度学习分割，我们提取了量化肿瘤二维和三维特征的三个特征。所分析患者队列的基因组数据包括基于 IDH 突变和 1p/19q 共缺失、DNA 甲基化、基因表达、DNA 拷贝数和 microRNA 表达先前识别出的基因组簇。为分析影像特征与基因组簇之间的关系，我们对每对影像特征与基因组亚型进行了 10 个假设的 Fisher 精确检验。为处理多重假设检验，我们应用了 Bonferroni 校正。P 值低于 0.005 被认为具有统计学显著性。我们发现 RNASeq 簇与边界椭球体积比（）之间以及 RNASeq 簇与边缘波动（）之间关联最强。此外，我们识别出边界椭球体积比与所有受试分子亚型（）之间以及角标准差与 RNASeq 簇（）之间的关联。就用于生成定量影像特征的自动肿瘤分割而言，我们的深度学习算法达到了 82% 的平均 Dice 系数，与人类表现相当。
引用
@article{arxiv.1906.03720,
title = {Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm},
author = {Mateusz Buda and Ashirbani Saha and Maciej A Mazurowski},
journal= {arXiv preprint arXiv:1906.03720},
year = {2019}
}