TopoTxR: 一种拓扑引导的深度卷积网络，用于 DCE-MRI 上的乳腺实质学习
图像与视频处理
2024-11-07 v1 计算机视觉与模式识别
摘要
动态对比增强磁共振成像（DCE-MRI）中乳腺实质的表征是一项具有挑战性的任务，原因在于其底层组织结构的复杂性。现有的定量方法（如放射组学和深度学习模型）缺乏对复杂细微实质结构（包括纤维腺体组织）的显式量化。为解决这一问题，我们提出了一种新颖的拓扑方法，显式提取多尺度拓扑结构以更好地逼近乳腺实质结构，然后通过注意力机制将这些结构融入基于深度学习的预测模型。我们的拓扑引导深度学习模型 TopoTxR 利用拓扑学提供对疾病病理生理学和治疗反应至关重要的组织的增强洞察。我们在 VICTRE 仿真乳腺数据集上对 TopoTxR 进行了实证验证，结果表明该模型提取的拓扑结构有效逼近了乳腺实质结构。我们进一步展示了 TopoTxR 在预测新辅助化疗反应方面的有效性。我们的定性和定量分析表明，在治疗前影像、对新辅助化疗反应良好并达到病理完全缓解（pCR）的患者以及未达到 pCR 的患者中，乳腺组织表现出差异化的拓扑行为。在与多个基线方法在公开可用的 I-SPY 1 数据集（N=161，其中 47 例 pCR，114 例非 pCR）和 Rutgers 专有数据集（N=120，其中 69 例 pCR，51 例非 pCR）上的比较分析中，TopoTxR 表现出显著提升，准确率提高 2.6%，AUC 提高 4.6%，优于最先进方法。
引用
@article{arxiv.2411.03464,
title = {TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs},
author = {Fan Wang and Zhilin Zou and Nicole Sakla and Luke Partyka and Nil Rawal and Gagandeep Singh and Wei Zhao and Haibin Ling and Chuan Huang and Prateek Prasanna and Chao Chen},
journal= {arXiv preprint arXiv:2411.03464},
year = {2024}
}
备注
22 pages, 8 figures, 8 tables, accepted by Medical Image Analysis ( https://www.sciencedirect.com/science/article/abs/pii/S1361841524002986 )