利用深度学习从 MR 图像预测低级别胶质瘤的 1p19q 染色体缺失
计算机视觉与模式识别
2016-11-22 v1
摘要
目的：多项研究表明，低级别胶质瘤（LGG）中染色体臂 1p/19q 的共缺失与良好的治疗反应和较长的无进展生存期相关。因此，预测 1p/19q 状态对于 LGG 的有效治疗规划至关重要。在本研究中，我们使用卷积神经网络（CNN）从 MR 图像预测 1p/19q 状态，这可能成为外科活检和组织病理学分析的一种非侵入性替代方案。方法：我们的方法由三个主要步骤组成：图像配准、肿瘤分割以及使用 CNN 对 1p/19q 状态进行分类。我们共纳入了 159 例具有活检证实的 1p/19q 状态（57 例未缺失，102 例共缺失）且具有术前对比后 T1（T1C）和 T2 图像的 LGG 患者，每位患者取 3 个图像切片。我们将数据划分为训练集、验证集和测试集。训练数据被平衡为相等的类别概率，然后通过随机平移、旋转以及水平和垂直翻转的迭代进行数据增强，以增加训练集的规模。我们在每个 epoch 中对训练数据进行打乱和增强以对抗过拟合。最后，我们评估了多尺度 CNN 架构的几种配置，直到训练和验证准确率趋于一致。结果：在未见测试集上表现最佳的配置结果为 93.3%（敏感度）、82.22%（特异度）和 87.7%（准确率）。结论：具有自学习能力多尺度 CNN 在基于 T1C 和 T2 图像非侵入性预测 1p/19q 状态方面提供了有希望的结果。意义：从 MR 图像非侵入性地预测 1p/19q 状态将允许在无需外科活检的情况下为 LGG 患者选择有效的治疗策略。
关键词
引用
@article{arxiv.1611.06939,
title = {Predicting 1p19q Chromosomal Deletion of Low-Grade Gliomas from MR Images using Deep Learning},
author = {Zeynettin Akkus and Issa Ali and Jiri Sedlar and Timothy L. Kline and Jay P. Agrawal and Ian F. Parney and Caterina Giannini and Bradley J. Erickson},
journal= {arXiv preprint arXiv:1611.06939},
year = {2016}
}
备注
This work has been presented in Conference on Machine Intelligence in Medical Imaging 2016 and RSNA 2016