基于深度卷积神经网络的磁共振成像胶质瘤分子分型
图像与视频处理
2022-03-14 v1 计算机视觉与模式识别
摘要
了解胶质瘤的分子亚型可为个体化治疗提供有价值的信息。本研究旨在根据世界卫生组织2016年发布的新分类,探究利用放射影像数据通过深度卷积神经网络(DCNNs)进行无创胶质瘤分型。方法:开发了一种基于层次分类范式预测五种胶质瘤亚型的DCNN模型。该模型使用三个并行、权值共享的深度残差学习网络来处理三模态MRI数据的2.5维输入,包括T1加权、对比增强T1加权和T2加权图像。收集了包含1,016名真实患者的数据集用于评估所开发的DCNN模型。通过受试者工作特征分析的曲线下面积(AUC)评估预测性能。作为比较,也评估了基于放射组学方法的性能。结果:层次分类范式中四个分类任务的DCNN模型AUC分别为0.89、0.89、0.85和0.66,而放射组学方法分别为0.85、0.75、0.67和0.59。结论:结果表明,在充足且非严重不平衡的训练数据下,所开发的DCNN模型能以良好性能预测胶质瘤亚型。
引用
@article{arxiv.2203.05571,
title = {Deep Convolutional Neural Networks for Molecular Subtyping of Gliomas Using Magnetic Resonance Imaging},
author = {Dong Wei and Yiming Li and Yinyan Wang and Tianyi Qian and Yefeng Zheng},
journal= {arXiv preprint arXiv:2203.05571},
year = {2022}
}
备注
Proc. SPIE 11314, Medical Imaging 2020: Computer-Aided Diagnosis