肺癌和乳腺癌脑转移的区分:纹理分析和深 convolutional 神经网络的比较
Mehmet Ali Gultekin1, Abdusselim Adil Peker1, Ayse Betul Oktay2
1Department of Radiology, Faculty of Medicine, Bezmialem Vakif University, Istanbul, Turkey.
Journal of clinical ultrasound : JCU
|September 9, 2023
概括
深度学习方法,特别是卷积神经网络 (CNN),在分类大脑转移的起源方面,与传统的纹理特征相比,显示出更高的准确性. 使用3D脑MRI数据可以提高肺癌和乳腺癌转移的诊断性能.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 大脑转移在成年人瘤中很常见,需要广泛的诊断工作.
- 放射学将放射性图像转换为诊断信息.
- 分类大脑转移的起源对于有效的治疗启动至关重要.
研究的目的:
- 评估深度学习方法,特别是卷积神经网络 (CNN),用于使用MRI对大脑转移的起源进行分类.
- 为了比较CNN的诊断性能与传统的图像基于纹理的功能.
主要方法:
- 分析了143名患有157种转移性脑瘤的患者.
- 从细分瘤中提取基于纹理和统计图像特征.
- 三个预训练的CNN架构 (Xception,VGG19,InceptionV3) 和纹理特征应用于2D和3DMRI数据.
- 使用十倍交叉验证来评估诊断性能.
主要成果:
- 3D纹理特征在区分转移起源方面表现优于2D特征.
- 使用3D输入的CNN架构在基于纹理的功能上表现出了卓越的性能.
- 采用3D卷的Xception CNN架构实现了最高的精度 (0.85) 和AUC (0.84).
结论:
- 在区分肺部和乳腺大脑转移方面,CNN显著优于基于纹理的特征.
- 与2D图像相比,利用3DMRI体积可以提高转移起源分化的成功率.
