基于多任务深度学习的 WHO 2016 胶质瘤分型与自动分割
图像与视频处理
2020-10-12 v1 计算机视觉与模式识别
摘要
准确刻画胶质瘤对临床决策至关重要。在初始决策阶段也需要勾画肿瘤边界，但这是一项耗时的任务。利用最新 GPU 能力，我们开发了一个单一多任务卷积神经网络，其使用完整的 3D 结构性术前 MRI 扫描，可预测肿瘤的 IDH 突变状态、1p/19q 共缺失状态及级别，同时分割肿瘤。我们使用迄今最大且最具多样性的患者队列训练该方法，包含来自 16 家机构的 1508 名胶质瘤患者。我们在来自 13 家不同机构的 240 名患者的独立数据集上测试了该方法，取得了 IDH-AUC 0.90、1p/19q-AUC 0.85、级别-AUC 0.81，以及平均全肿瘤 DICE 分数 0.84。因此，我们的方法可无创预测多个临床相关参数，并对更广泛的临床人群具有良好的泛化能力。
引用
@article{arxiv.2010.04425,
title = {WHO 2016 subtyping and automated segmentation of glioma using multi-task deep learning},
author = {Sebastian R. van der Voort and Fatih Incekara and Maarten M. J. Wijnenga and Georgios Kapsas and Renske Gahrmann and Joost W. Schouten and Rishi Nandoe Tewarie and Geert J. Lycklama and Philip C. De Witt Hamer and Roelant S. Eijgelaar and Pim J. French and Hendrikus J. Dubbink and Arnaud J. P. E. Vincent and Wiro J. Niessen and Martin J. van den Bent and Marion Smits and Stefan Klein},
journal= {arXiv preprint arXiv:2010.04425},
year = {2020}
}