透明度引导的集成卷积神经网络用于多形性胶质母细胞瘤假性进展与真性进展的分层
组织与器官
2019-02-27 v1 定量方法
摘要
假性进展（PsP）是多形性胶质母细胞瘤（GBM）患者中对真性肿瘤进展（TTP）的模仿。区分二者对放射科医生而言是一项具有挑战性且耗时的工作。尽管深度神经网络可自动诊断 PsP 和 TTP，但可解释性的缺乏始终是其阿喀琉斯之踵。为克服这些不足并赢得医生信任，我们提出一种透明度引导的集成卷积神经网络，在磁共振成像（MRI）上自动对 PsP 和 TTP 进行分层。本研究共纳入 84 名 GBM 患者。首先，训练三种典型的卷积神经网络（CNN）——VGG、ResNet 和 DenseNet——在数据集上区分 PsP 和 TTP。随后，我们利用卷积层中类特定的梯度信息来高亮 MRI 中的重要区域。接着邀请放射学专家筛选每个 CNN 中最与病灶相关的层。最后，所选层被用于引导构建多尺度集成 CNN。所提网络的分类准确率为 90.20%，特异度提升超过 20%。结果表明，网络透明度和集成可增强 CNN 的可靠性和准确性。所提网络在 PsP 和 TTP 的诊断中具有前景。
引用
@article{arxiv.1902.09921,
title = {Transparency guided ensemble convolutional neural networks for stratification of pseudoprogression and true progression of glioblastoma multiform},
author = {Xiaoming Liu and Michael D. Chan and Xiaobo Zhou and Xiaohua Qian},
journal= {arXiv preprint arXiv:1902.09921},
year = {2019}
}
备注
14 pages, 9 figures