基于深度神经网络的早期术后多模态 MRI 胶质母细胞瘤分割
图像与视频处理
2023-04-19 v1 计算机视觉与模式识别
机器学习
摘要
手术后的切除范围是诊断为胶质母细胞瘤患者的主要预后因素之一。为实现这一目标，从术后 MR 图像中准确分割并分类残留肿瘤至关重要。当前估计该范围的金标准方法存在较高的人间与 intra-rater 变异性，而一种用于早期术后 MRI 中残留肿瘤自动分割的方法可带来更准确的切除范围估计。本研究中，两种用于术前分割的先进神经网络架构被训练以完成该任务。这些模型在来自欧美 12 家医院、近 1000 名患者的多中心数据集上进行了充分验证。取得的最佳性能为 61% Dice 分数，最佳分类性能约为 80% 平衡准确率，并展现出跨医院泛化能力。此外，最佳模型的分割性能可与人类专家标注者媲美。所预测的分割结果可用于准确将患者分类为残留肿瘤者或全切者。
引用
@article{arxiv.2304.08881,
title = {Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks},
author = {Ragnhild Holden Helland and Alexandros Ferles and André Pedersen and Ivar Kommers and Hilko Ardon and Frederik Barkhof and Lorenzo Bello and Mitchel S. Berger and Tora Dunås and Marco Conti Nibali and Julia Furtner and Shawn Hervey-Jumper and Albert J. S. Idema and Barbara Kiesel and Rishi Nandoe Tewari and Emmanuel Mandonnet and Domenique M. J. Müller and Pierre A. Robe and Marco Rossi and Lisa M. Sagberg and Tommaso Sciortino and Tom Aalders and Michiel Wagemakers and Georg Widhalm and Marnix G. Witte and Aeilko H. Zwinderman and Paulina L. Majewska and Asgeir S. Jakola and Ole Solheim and Philip C. De Witt Hamer and Ingerid Reinertsen and Roelant S. Eijgelaar and David Bouget},
journal= {arXiv preprint arXiv:2304.08881},
year = {2023}
}
备注
13 pages, 4 figures, 4 tables