利用多模态深度学习区分人脑胶质母细胞瘤的肿瘤复发与治疗效应
图像与视频处理
2023-03-01 v1 计算机视觉与模式识别
摘要
区分肿瘤进展（TP）与治疗相关坏死（TN）对于胶质母细胞瘤（GBM）的临床管理决策至关重要。动态FDG PET（dPET）作为传统静态FDG PET的进阶，可能在临床分期中具有优势。dPET包含一种模型校正血液输入函数的新方法，该方法考虑部分容积平均以计算揭示动力学信息的参数图。在一项初步研究中，卷积神经网络（CNN）被训练用于在PET-MR图像空间中预测来自名受试者的个脑肿瘤的TP与TN分类准确率。3D参数PET Ki（来自dPET）、传统静态PET标准摄取值（SUV）以及脑肿瘤MR体素构成了CNN的输入。在使用类权重调整的所有留一交叉验证迭代中，仅使用MR的平均测试准确率为，仅使用SUV为，仅使用Ki体素为。结合SUV与MR体素将测试准确率提升至。另一方面，MR与Ki体素将测试准确率提升至。因此，在深度学习模型中单独使用dPET特征或与MR特征联合使用将提高GBM中TP与TN区分的预测准确率。
引用
@article{arxiv.2302.14124,
title = {Multimodal Deep Learning to Differentiate Tumor Recurrence from Treatment Effect in Human Glioblastoma},
author = {Tonmoy Hossain and Zoraiz Qureshi and Nivetha Jayakumar and Thomas Eluvathingal Muttikkal and Sohil Patel and David Schiff and Miaomiao Zhang and Bijoy Kundu},
journal= {arXiv preprint arXiv:2302.14124},
year = {2023}
}