放射组学提升用于 IPMN 分类的深度学习模型
图像与视频处理
2023-09-13 v1 计算机视觉与模式识别
摘要
导管内乳头状黏液性肿瘤（IPMN）囊肿是恶性前胰腺病变，可进展为胰腺癌。因此，检测并分层其风险等级对于有效治疗规划和疾病控制至关重要。然而，由于 IPMN 囊肿及胰腺形状和纹理大小多样且不规则，这是一项极具挑战性的任务。在本研究中，我们提出了一种新颖的计算机辅助诊断流程，用于基于多对比度 MRI 扫描的 IPMN 风险分类。我们提出的分析框架包括用于胰腺勾画的高效体积自适应分割策略，以及随后新设计的基于深度学习的分类方案与基于放射组学的预测方法。我们在246例多对比度 MRI 扫描的多中心数据集中测试了所提出的决策融合模型，并获得优于该领域当前最优（SOTA）的性能。我们的消融研究证明了放射组学与深度学习模块相较于国际指南与已发表研究（准确率 81.9% 对比 61.3%）对实现新 SOTA 性能的重要性。我们的发现对临床决策具有重要意义。在一系列多中心数据集的严格实验中（来自五个中心的246例 MRI 扫描），我们取得了前所未有的性能（准确率 81.9%）。
引用
@article{arxiv.2309.05857,
title = {Radiomics Boosts Deep Learning Model for IPMN Classification},
author = {Lanhong Yao and Zheyuan Zhang and Ugur Demir and Elif Keles and Camila Vendrami and Emil Agarunov and Candice Bolan and Ivo Schoots and Marc Bruno and Rajesh Keswani and Frank Miller and Tamas Gonda and Cemal Yazici and Temel Tirkes and Michael Wallace and Concetto Spampinato and Ulas Bagci},
journal= {arXiv preprint arXiv:2309.05857},
year = {2023}
}
备注
10 pages, MICCAI MLMI 2023