面向 glioblastoma 治疗反应分类的深度学习方法
图像与视频处理
2025-06-05 v2 计算机视觉与模式识别
摘要
Glioblastoma是最激进类型的脑肿瘤，其5年生存率为6.9%。治疗通常涉及手术、放射治疗和化疗，以及频繁的磁共挍成像（MRI）扫描以监测疾病进展。为了评估治疗反应，放射科医生使用Response Assessment in Neuro-Oncology（RANO）标准将肿瘤分为四个标签中的一个，这取决于影像和临床特征：完全缓解、部分缓解、稳定病和进展性病。这一评估非常复杂且耗时。由于深度学习（DL）已被广泛用于解决分类问题，本工作旨在实现首个基于两个连续MRI摄影片的RANO标准分类的深度学习管道。对模型进行了训练和测试，采用开放数据集LUMIERE。测试了五种方法：1）输入图像减法，2）不同模态的组合，3）不同模型架构，4）不同预训练任务，5）添加临床数据。实现最佳性能的管道使用Densenet264，仅考虑T1加权、T2加权和流体抑制反转回复（FLAIR）图像作为输入，不进行任何预训练。达到了50.96%的中位平衡准确率。此外，还应用了可解释性方法。使用Saliency Maps，经常成功地突出显示了肿瘤区域。相比之下，Grad-CAM通常未能突出显示肿瘤区域，仅在完全缓解和进展性病类中少数情况下有效识别了肿瘤区域。这些结果为基于RANO标准的脑腺瘤治疗反应评估的未来研究设定了基准，同时强调了在评估肿瘤对治疗反应时可能发挥作用的异质性因素。
关键词
引用
@article{arxiv.2504.18268,
title = {Towards a deep learning approach for classifying treatment response in glioblastomas},
author = {Ana Matoso and Catarina Passarinho and Marta P. Loureiro and José Maria Moreira and Patrícia Figueiredo and Rita G. Nunes},
journal= {arXiv preprint arXiv:2504.18268},
year = {2025}
}