转移学习方法 血管透性 脑转移中的变化 全脑放射治疗后的脑转移
Chad A Arledge1, William N Crowe2, Lulu Wang1
1Department of Biomedical Engineering, Wake Forest School of Medicine, Winston-Salem, NC 27157, USA.
Cancers
|June 22, 2023
概括
这项研究通过使用转移学习验证了CNN对大脑转移 (BM) 的验证. 该模型准确地预测了小鼠的瘤血管透性,显示了评估治疗反应的前景.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 机器学习在瘤学中的应用
- 翻译研究是翻译研究.
背景情况:
- 大脑转移 (BM) 模型对于研究瘤血管透性至关重要.
- 动态对比增强磁共振成像 (DCE MRI) 对于评估血管特性至关重要.
- 之前的卷积神经网络 (CNN) 模型在质瘤研究中显示出前景.
研究的目的:
- 通过在新的小动物模型中使用转移学习验证先前开发的CNN用于大脑转移 (BM).
- 评估CNN在多焦点内转移中预测血管透性的能力.
- 评估CNN在检测放射治疗引起的血管透性的变化方面的表现.
主要方法:
- 使用转移学习,从质母细胞瘤模型调整预训练的CNN到BM DCE MRI数据集.
- 美国有线电视新闻网 (CNN) 被重新训练,将BM DCE图像与来自扩展Tofts模型 (ETM) 的透性地图进行相关联.
- 评估了模型的预测准确性和与ETM药理动力学 (PK) 地图的空间相关性. 进一步的测试包括评估放射治疗 (WBRT) 对血管透性的影响.
主要成果:
- 转移的CNN准确地预测了BM血管透性,显示了与ETM PK地图的优良空间相关性.
- 在接受WBRT治疗的瘤中,CNN检测到显著增加的Ktrans (p < 0.01),与ETM发现一致.
- 该模型在描述放射治疗引起的透性变化方面表现强.
结论:
- 开发的CNN作为一种高效和准确的工具,用于在小型动物脑瘤模型中表征血管透性.
- 这种方法有助于在临床前脑瘤研究中评估治疗反应.
- 转移学习增强了CNN在瘤学中分析复杂的成像数据的实用性.
