利用混合深度学习和放射组学方法预测脑肿瘤治疗反应
计算机视觉与模式识别
2025-09-09 v1
摘要
准确评估胶质母细胞瘤对治疗的反应对于临床决策和患者管理至关重要。神经肿瘤学反应评估（RANO）标准为评估患者的临床反应提供了标准化框架，但其应用可能复杂且存在观察者变异性。本文提出了一种基于纵向MRI扫描的干预反应自动分类方法，作为BraTS 2025挑战赛的一部分，用于预测治疗期间的肿瘤反应。我们提出了一种新颖的混合框架，将深度学习导出的特征提取与大量放射组学和临床选择特征相结合。我们的方法利用微调后的ResNet-18模型从四个MRI模态的二维感兴趣区域提取特征。这些深度特征随后与超过4800个放射组学和临床驱动特征融合，包括肿瘤生长和收缩掩码的三维放射组学、相对于最低点的体积变化以及肿瘤质心偏移。使用融合特征集，CatBoost分类器在四类反应预测任务（完全反应、部分反应、疾病稳定、疾病进展）中实现了平均ROC AUC为0.81和Macro F1分数为0.50。我们的结果表明，将学习到的图像表示与领域靶向的放射组学特征相结合，为神经肿瘤学中的自动化治疗反应评估提供了一种稳健且有效的解决方案。
引用
@article{arxiv.2509.06511,
title = {Predicting Brain Tumor Response to Therapy using a Hybrid Deep Learning and Radiomics Approach},
author = {Daniil Tikhonov and Matheus Scatolin and Mohor Banerjee and Qiankun Ji and Ahmed Jaheen and Mostafa Salem and Abdelrahman Elsayed and Hu Wang and Sarim Hashmi and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2509.06511},
year = {2025}
}
备注
Submitted to the BraTS-Lighthouse 2025 Challenge (MICCAI 2025)