基于MRI的深度学习方法用于IDH突变状态的分类
Chandan Ganesh Bangalore Yogananda1, Benjamin C Wagner1, Nghi C D Truong1
1Department of Radiology, University of Texas Southwestern Medical Center, Dallas, TX 75390, USA.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
深度学习模型准确地使用MRI扫描对质瘤中异酸脱酶 (IDH) 突变状态进行分类. 多对比成像网络在非侵入性IDH分类方面表现出卓越的性能.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 异酸脱酶 (IDH) 突变状态是质瘤的关键预后因素.
- 准确的非侵入性IDH分类对于患者管理至关重要.
研究的目的:
- 开发和比较深度学习网络,用于在质瘤中进行非侵入性IDH突变状态分类.
- 为了评估T2w仅图像网络与多对比网络的对比.
主要方法:
- 使用nnU-Net.net开发了两个2D深度学习网络 (T2-net和MC-net).
- 网络接受了多对比脑瘤MRI和TCIA和EGD的基因组数据的训练.
- 同时进行瘤细分和IDH分类.
主要成果:
- 与T2w仅图像网络 (T2-net) 相比,多对比网络 (MC-net) 的精度 (高达92.8%) 和AUC (高达0.96) 更高.
- 这两个网络都在1100多个不同的数据集上得到了验证.
- 这项研究是迄今为止以图像为基础的IDH分类的最大研究.
结论:
- 深度学习算法可靠地对IDH突变状态进行非侵入性分类.
- 多对比MRI分析为质瘤的IDH分类提供了卓越的性能.
- 这些发现支持人工智能驱动的成像分析对质瘤预后的临床实用性.


