基于分子标记的MRI脑肿瘤分类
摘要
研究结果表明，1p/19q基因的共缺失与低级别胶质瘤的临床结局相关。预测1p19q状态的能力对于治疗计划和患者随访至关重要。本研究旨在利用一种专门基于MRI的卷积神经网络进行脑癌检测。尽管像RestNet和AlexNet这样的公共网络可以通过迁移学习有效诊断脑癌，但模型包含大量与医学图像无关的权重。因此，迁移学习模型的诊断结果不可靠。为了解决可信度问题，我们从头开始创建模型，而不是依赖于预训练模型。为了实现灵活性，我们将卷积堆叠与dropout和全连接操作相结合，通过减少过拟合来提高性能。在模型训练期间，我们还对给定数据集进行了补充并注入了高斯噪声。我们使用三重交叉验证来训练最佳选择模型。与经过微调的预训练模型InceptionV3、VGG16和MobileNetV2相比，我们的模型产生了更好的结果。在一个包含125张共缺失图像和31张非共缺失图像的验证集上，所提出的网络在分类1p/19q共缺失和非共缺失图像时，达到了96.37%的F1分数、97.46%的精确率和96.34%的召回率。
引用
@article{arxiv.2409.19583,
title = {Brain Tumor Classification on MRI in Light of Molecular Markers},
author = {Jun Liu and Geng Yuan and Weihao Zeng and Hao Tang and Wenbin Zhang and Xue Lin and XiaoLin Xu and Dong Huang and Yanzhi Wang},
journal= {arXiv preprint arXiv:2409.19583},
year = {2025}
}
备注
ICAI'22 - The 24th International Conference on Artificial Intelligence, The 2022 World Congress in Computer Science, Computer Engineering, & Applied Computing (CSCE'22), Las Vegas, USA. The paper acceptance rate 17% for regular papers. The publication of the CSCE 2022 conference proceedings has been delayed due to the pandemic