BTDNet：一种用于脑肿瘤放射基因组学分类的多模态方法
图像与视频处理
2023-10-10 v2 计算机视觉与模式识别
机器学习
摘要
脑肿瘤在全球范围内构成重大健康挑战，其中胶质母细胞瘤最为侵袭性。准确判定 O6-甲基鸟嘌呤-DNA 甲基转移酶（MGMT）启动子甲基化状态对个性化治疗策略至关重要。然而，传统方法费力且耗时。本文提出一种新颖的多模态方法 BTDNet，利用多参数 MRI 扫描（包括 FLAIR、T1w、T1wCE 与 T2 三维体）预测 MGMT 启动子甲基化状态。BTDNet 解决两大挑战：体长度可变（即每个体由不同数量的切片组成）与体级标注（即整个三维体被标注而非其所含独立切片）。BTDNet 由四部分构成：i) 数据增强部分（执行几何变换、数据对凸组合与测试时数据增强）；ii) 三维分析部分（通过 CNN-RNN 进行全局分析）；iii) 路由部分（含处理可变输入特征长度的掩码层）；iv) 模态融合部分（有效增强数据表示、减少歧义并缓解数据稀缺）。所提方法在 RSNA-ASNR-MICCAI BraTS 2021 挑战赛中以大幅优势超越 SOTA 方法，为提升脑肿瘤诊断与治疗提供了有前景的途径。
引用
@article{arxiv.2310.03485,
title = {BTDNet: a Multi-Modal Approach for Brain Tumor Radiogenomic Classification},
author = {Dimitrios Kollias and Karanjot Vendal and Priyanka Gadhavi and Solomon Russom},
journal= {arXiv preprint arXiv:2310.03485},
year = {2023}
}