将放射组学与深度学习集成以提高多发性硬化脑片段肿块描绘
图像与视频处理
2025-06-18 v1 计算机视觉与模式识别
摘要
背景：准确的脑肿块分割是多发性硬化 (MS) 诊断的关键，而当前深度学习方法面临鲁棒性挑战。目的：本研究通过数据融合和深度学习技术提高 MS 脑肿块的分割。材料与方法：我们提出了新的放射组学特征（浓度率和 Rényi 熵）来表征不同类型的 MS 肿块，并将这些特征与原始成像数据融合。该研究通过 ResNeXt-UNet 架构和注意力增强 U-Net 架构将放射组学特征与成像数据集成。我们在 46 名患者 (1102 个切片) 的扫描数据上评估了该方法，比较了数据融合前后的表现。结果：放射组学增强的 ResNeXt-UNet 显示出高水平的分割准确性，显著提高了精确度和灵敏度，Dice 评分达到 ；根据 Bonferroni 调整的 Wilcoxon 符号秩检验，p<0.001。放射组学增强的注意力增强 U-Net 模型表现出更好的模型稳定性，表现为更小的性能波动 (SDD = vs. ; p=0.03) 以及在放射组学集成后更平滑的验证曲线。结论：这些结果验证了我们假设：将放射组学与原始成像数据融合可提高状态机构模型在分割性能和稳定性方面的表现。
关键词
引用
@article{arxiv.2506.14524,
title = {Integrating Radiomics with Deep Learning Enhances Multiple Sclerosis Lesion Delineation},
author = {Nadezhda Alsahanova and Pavel Bartenev and Maksim Sharaev and Milos Ljubisavljevic and Taleb Al. Mansoori and Yauhen Statsenko},
journal= {arXiv preprint arXiv:2506.14524},
year = {2025}
}