Cancer-Net BCa-S：基于合成相关扩散成像体素深度放射组学特征的乳腺癌分级预测
计算机视觉与模式识别
2023-08-05 v1
摘要
乳腺癌的患病率持续上升，2023年约影响美国30万名女性。然而，乳腺癌有不同严重程度的级别，需要不同的治疗策略，因此乳腺癌分级已成为乳腺癌诊断和治疗规划的重要组成部分。具体而言，金标准Scarff-Bloom-Richardson（SBR）分级已被证明能一致地指示患者对化疗的反应。遗憾的是，目前确定SBR分级的方法需要从患者体内取出部分癌细胞，这会导致压力和不适以及高昂的费用。在本文中，我们研究了基于合成相关扩散（CDI）成像（一种新型磁共振成像（MRI）模态）的深度学习用于乳腺癌分级的效能，发现其相比使用金标准成像模态学习的方法在SBR分级预测上取得了更好的性能。因此，我们提出Cancer-Net BCa-S，一种基于体素CDI数据预测SBR分级的体素深度放射组学方法。鉴于有前景的结果，这种识别癌症严重程度的拟议方法将允许在不需活检的情况下做出更好的治疗决策。Cancer-Net BCa-S已作为推进癌症护理机器学习全球开源倡议的一部分公开提供。
引用
@article{arxiv.2304.05899,
title = {Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging},
author = {Chi-en Amy Tai and Hayden Gunraj and Alexander Wong},
journal= {arXiv preprint arXiv:2304.05899},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2211.05308