专家知识引导的几何表示学习用于基于磁共振成像的胶质瘤分级

影像组学与深度学习在自动胶质瘤分级中已显示出极高关注度。影像组学可提取手工特征，定量描述胶质瘤分级的专家知识，而深度学习擅长提取大量高通量特征以辅助最终分类。然而，现有方法的性能仍有提升空间，因为其互补优势尚未被充分探究与整合。此外，测试阶段通常需要病灶图用于最终预测，这非常繁琐。在本文中，我们提出一种专家知识引导的几何表示学习（ENROL）框架。构建手工特征与学习特征的几何流形，以挖掘深度学习与影像组学之间的隐含关系，从而挖掘胶质瘤分级的共识与本质表示。借助专门设计的流形差异度量，分级模型可在训练阶段更有效地利用输入图像数据与专家知识，并摆脱测试阶段对病灶分割图的需求。所提框架对于待利用的深度学习架构具有灵活性。已评估三种不同架构并比较了五种模型，结果表明我们的框架总能生成有前景的结果。