基于变形感知图神经网络的乳腺癌部位实时预测
机器学习
2025-11-18 v1 计算机视觉与模式识别
摘要
乳腺癌的早期诊断至关重要，这有助于制定适当的治疗方案并显著提高患者预后。虽然直接的磁共振成像引导活检在检测癌灶方面表现有前景，但其实际应用受限于程序时间延长和高成本。为克服这些问题，有人提出了一种允许在 MRI 房间之外执行程序的间接 MRI 引导活检方法，但仍面临在生物力学模型中创建准确实时变形乳腺模型的挑战。本研究通过开发一种基于图神经网络 (GNN) 的模型，能够在活检程序进行实时期间准确预测变形后的乳腺癌部位。我们开发了个体特定的有限元 (FE) 模型，通过整合乳腺和肿瘤的磁共振 (MR) 图像所包含的结构信息来模拟变形行为。随后，采用图神经网络模型，旨在处理表面位移和基于距离的图数据，从而实现对整体组织位移，包括肿瘤区域变形的准确预测。该模型经过phantoms 和真实患者数据集验证，在癌症节点位移 (RMSE) 方面准确率在 0.2 毫米以内，在空间重叠实际癌瘤区域的 dice 相似系数 (DSC) 达到 0.977。此外，该模型实现了实时推断，在计算成本上较传统 FE 模拟实现了 4000 倍以上的加速。该提出的变形感知 GNN 模型为乳腺活检中实时肿瘤位移预测提供了具有高准确性和实时性的解决方案。其与临床程序的集成可能显著提高乳腺癌诊断的精度和效率。
引用
@article{arxiv.2511.13082,
title = {Real-time prediction of breast cancer sites using deformation-aware graph neural network},
author = {Kyunghyun Lee and Yong-Min Shin and Minwoo Shin and Jihun Kim and Sunghwan Lim and Won-Yong Shin and Kyungho Yoon},
journal= {arXiv preprint arXiv:2511.13082},
year = {2025}
}