基于深度学习的放射性诱导对比增强与肿瘤复发的多模态分类
计算机视觉与模式识别
2026-03-27 v2
摘要
放疗后脑腲瘤患者中区分肿瘤复发和放射性诱导对比增强仍是临床面临的主要挑战。现有方法依赖临床稀少可得的扩散MRI，或未考虑正在该分类中日益受到关注的放射图谱。我们引入RICE-NET，一个集成纵向MRI数据与放射治疗剂量分布的多模态3D深度学习模型，用于基于常规T1加权MRI数据进行自动病灶分类。该模型在92名患者队列中，在独立测试集上实现了0.92的F1分数。在进行大量消除实验期间，我们量化了每个时间点和模态的贡献，并表明可靠的分类很大程度上取决于放射图谱。基于遮挡的可解释性分析进一步确认了模型在临床相关区域的关注。这些发现凸显了多模态深度学习在神经肿瘤学中提高诊断准确性并支持临床决策的潜力。
引用
@article{arxiv.2603.11827,
title = {Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning},
author = {Robin Peretzke and Marlin Hanstein and Maximilian Fischer and Lars Badhi Wessel and Obada Alhalabi and Sebastian Regnery and Andreas Kudak and Maximilian Deng and Tanja Eichkorn and Philipp Hoegen Saßmannshausen and Fabian Allmendinger and Jan-Hendrik Bolten and Philipp Schröter and Christine Jungk and Jürgen Peter Debus and Peter Neher and Laila König and Klaus Maier-Hein},
journal= {arXiv preprint arXiv:2603.11827},
year = {2026}
}