中枢神经系统肿瘤的自动化标准化手术报告
计算机视觉与模式识别
2025-08-13 v1 机器学习
摘要
磁共振（MR）成像对于评估中枢神经系统（CNS）肿瘤、指导手术规划、治疗决策以及评估术后结果和并发症风险至关重要。虽然近期工作推进了自动化肿瘤分割和报告生成，但大多数努力都集中在术前数据上，对术后影像分析的关注有限。本研究引入了一个用于CNS肿瘤标准化术后报告的全面流程。使用注意力U-Net架构，针对术前（非增强）肿瘤核心、术后对比增强残余肿瘤和切除腔训练了分割模型。此外，使用DenseNet架构探索了MR序列分类和对比增强病变的肿瘤类型识别。这些模型被集成到一个遵循RANO 2.0指南的报告流程中。训练在包含2000至7000名患者的多中心数据集上进行，采用5折交叉验证。评估包括患者级、体素级和对象级指标，并与最新的BraTS挑战赛结果进行了基准测试。分割模型在肿瘤核心、非增强肿瘤核心、对比增强残余肿瘤和切除腔上的平均体素级Dice分数分别达到了87%、66%、70%和77%。分类模型在MR序列分类中达到了99.5%的平衡准确率，在肿瘤类型分类中达到了80%。本研究中提出的流程实现了鲁棒的自动化分割、MR序列分类以及符合RANO 2.0指南的标准化报告生成，从而增强了术后评估和临床决策。所提出的模型和方法已集成到Raidionics中，这是一个用于CNS肿瘤分析的开源软件平台，现在包含一个专门的术后分析模块。
引用
@article{arxiv.2508.08916,
title = {Automatic and standardized surgical reporting for central nervous system tumors},
author = {David Bouget and Mathilde Gajda Faanes and Asgeir Store Jakola and Frederik Barkhof and Hilko Ardon and Lorenzo Bello and Mitchel S. Berger and Shawn L. Hervey-Jumper and Julia Furtner and Albert J. S. Idema and Barbara Kiesel and Georg Widhalm and Rishi Nandoe Tewarie and Emmanuel Mandonnet and Pierre A. Robe and Michiel Wagemakers and Timothy R. Smith and Philip C. De Witt Hamer and Ole solheim and Ingerid Reinertsen},
journal= {arXiv preprint arXiv:2508.08916},
year = {2025}
}
备注
16 pages, 6 figures, 9 tables