用于脑胶质分子亚型的层次化 perfusion 图
计算机视觉与模式识别
2026-05-11 v1
摘要
精确的脑胶质分子亚型（包括 isocitrate dehydrogenase (IDH) 突变和 1p/19q 片段缺失）直接指导手术和治疗决策，但目前依赖于侵入性组织标本取样。基于结构性 MRI 的深度学习方法已成为非侵入性替代方案，但仅靠解剖学的方法无法捕捉区分分子亚型的血流动力学特征。基于动态阻力对比 (DSC) MRI 的放射组学方法在非侵入性表征脑胶质分子亚型方面拥有巨大潜力，但因跨机构变异性以及基于体素的分析局限性，尚未能在临床中部署。我们引入 HiPerfGNN 框架，首先通过向量量化变分自编码器 (VQ-VAE) 从原始时强曲线中学习离散的血流表示。这些量化化 perfusion 码定义了粗粒度图节点，代表功能性肿瘤栖息地；每个栖息地在结构 MRI 指导下被层次化细化为细小区域。层次化图神经网络随后在尺度之间传递信息，以实现分子预测。在内部队列中（n=475），该模型分别获得了 0.96 (IDH)、0.89 (1p/19q) 和 0.84 (WHO 分级) 的 AUC 值；在独立的外部队列中（n=397）未经重新校准即可保持稳健的 IDH 性能（AUC 0.89）。梯度基盒注意力分析确认了生物学上基于注意力图模式，与已知的脑胶质病理学相吻合。我们的结果表明，将 perfusion 动力学整合到放射组学管道中为脑胶质分子亚型提供了额外价值。代码已公开于 https://github.com/janghana/HiPerfGNN。
引用
@article{arxiv.2605.07156,
title = {Hierarchical Perfusion Graphs for Tumor Heterogeneity Modeling in Glioma Molecular Subtyping},
author = {Han Jang and Junhyeok Lee and Heeseong Eum and Joon Jang and Yoseob Han and Seung Hong Choi and Kyu Sung Choi},
journal= {arXiv preprint arXiv:2605.07156},
year = {2026}
}
备注
Accepted at MICCAI 2026. 11 pages, 2 figures, 2 tables