基于机器学习的放射组学用于神经胶质瘤分类并与体积分析比较
图像与视频处理
2022-08-16 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
目的：本研究的目的是通过将机器学习应用于多模态 MRI 特征，以非侵入方式将神经胶质瘤分为 II、III 和 IV 级，并与体积分析进行比较。方法：我们回顾性研究了 57 名胶质瘤患者，其在 3T MRI 上采集了对比前后 T1 加权、T2 加权、FLAIR 图像和 ADC 图。使用 ITK-SNAP 开源工具的半自动分割将肿瘤分割为强化与非强化部分、肿瘤坏死、囊肿和水肿。我们测量了总肿瘤体积、强化-非强化肿瘤、水肿、坏死体积及其与总肿瘤体积的比值。使用旨在回答感兴趣问题的标记数据对支持向量机（SVM）分类器和人工神经网络（ANN）进行训练。预测的特异性、灵敏度和 AUC 通过 ROC 分析计算。组间连续变量的差异使用 Kruskall Wallis 检验评估，并进行事后 Dunn 校正以进行多重比较。结果：当我们比较各组间的体积比时，IV 级与 II-III 级神经胶质瘤之间存在统计学显著差异。IV 级神经胶质瘤的水肿和肿瘤坏死体积比高于 II 和 III 级。体积比分析未能成功区分 II 和 III 级肿瘤。然而，SVM 和 ANN 以高达 98% 和 96% 的准确率正确分类了各组。结论：将机器学习方法应用于 MRI 特征可用于在临床环境中以非侵入且更便捷的方式分类脑肿瘤。
引用
@article{arxiv.2208.06739,
title = {Machine Learning Based Radiomics for Glial Tumor Classification and Comparison with Volumetric Analysis},
author = {Sevcan Turk and Kaya Oguz and Mehmet Orman and Emre Caliskan and Yesim Ertan and Erkin Ozgiray and Taner Akalin and Ashok Srinivasan and Omer Kitis},
journal= {arXiv preprint arXiv:2208.06739},
year = {2022}
}