基于MRI的端到端儿科低度质瘤细分和分类
Partoo Vafaeikia1,2, Matthias W Wagner2, Cynthia Hawkins2,3
1Institute of Medical Science, University of Toronto, Toronto, ON, Canada.
概括
一个新的深度学习模型自动化了儿科低度质瘤 (pLGG) 的瘤细分,实现了与手动方法相似的结果. 这种自动化管道增强了基于放射学的预测pLGG中的遗传标记.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 使用MRI的放射学模型可以预测儿科低度质瘤 (pLGG) 的遗传标记.
- 手动瘤细分对于这些模型来说是一个耗时的瓶.
- 自动化细分对于有效的pLGG分类至关重要.
研究的目的:
- 开发和评估用于PLGG细分和分类的自动化深度学习 (DL) 管道.
- 评估基于端到端放射学方法的性能,用于预测pLGG中的遗传标记.
- 为了比较自动细分与手动细分在放射学模型中的有效性.
主要方法:
- 一个基于U-Net的两步深度学习网络被设计用于自动化瘤细分.
- 第一个U-Net在下方样本图像中发现了瘤;第二个使用图像补丁精细细分.
- 自动细分被整合到放射学模型中,用于基因标记物预测.
主要成果:
- 该细分模型在与体积相关的特征方面实现了超过80%的相关性,并获得了0.795.79的子得分.
- 使用自动细分的放射学模型的AUC值为0.843 (2类) 和0.730 (3类).
- 使用自动细分的性能与使用手动细分的模型相比 (AUC分别为0.874和0.758).
结论:
- 拟议的端到端DL管道有效地自动化了pLGG细分.
- 与放射学集成的自动细分提供了与手工方法相比较的精确遗传标记预测.
- 这种方法为PLGG分类提供了更有效和可扩展的解决方案.
