基于MRI融合技术的胶质瘤亚型分类
计算机与社会
2025-02-27 v1
摘要
胶质瘤是最常见的原发性脑肿瘤，具有不同的侵袭性水平和预后。精准的胶质瘤分类对于治疗计划和预后预测至关重要。本研究旨在开发一种算法，将T1、T2、T1ce和流体抑制反相恢复（FLAIR）序列的MRI图像融合，以提高胶质瘤亚型分类（无肿瘤、坏死核心、周围水肿、增强肿瘤）的效果。本工作使用BraTS数据集中的MRI图像。对图像进行了最大最小归一化预处理，以确保不同图像之间像素强度值的一致性。对坏死核心、周围水肿和增强肿瘤的分割分别对2D和3D图像进行，采用UNET架构完成。随后，对多模态MRI图像中分割得到的区域采用加权平均技术进行融合。将2D和3D分割输出融合可提高分类准确率，通过捕获切片中肿瘤形状、边界和强度分布的细节特征，同时提供脑容量内空间范围、形状、纹理和定位的全面视图。将融合图像作为预训练ResNet50模型的输入用于胶质瘤亚型分类。该网络在数据集的80%上训练，20%上验证。所提出的方法实现了99.25%的分类准确率、99.30%的精确率、99.10%的召回率、99.19%的F1分数、84.49%的交并比和99.76%的特异度，显示出显著优于现有技术的性能。这些发现凸显了在辅助准确诊断中胶质瘤分割和分类的重要性。
引用
@article{arxiv.2502.18774,
title = {Measuring risks inherent to our digital economies using Amazon purchase histories from US consumers},
author = {Alex Berke and Kent Larson and Sandy Pentland and Dana Calacci},
journal= {arXiv preprint arXiv:2502.18774},
year = {2025}
}