开发和验证一种多模式融合深度学习模型,以区分质母细胞瘤与单独的大脑转移
Shanshan Shen1,2, Chunquan Li3, Yaohua Fan4
1Department of Oncology, Second Hospital of Jiaxing, Jiaxing Zhejiang 314000. shenshanshan@jxey.com.
概括
这项研究引入了一种深度学习方法,用于区分质母细胞瘤 (GBM) 和大脑转移 (BMs),使用多模式MRI放射学. 该技术显著提高了分类准确性,有助于手术前诊断.
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:
- 质母细胞瘤 (GBM) 和大脑转移 (BMs) 是常见的成年人脑瘤.
- 传统的MRI在区分GBM和BM方面存在局限性.
- 深度学习显示出对诊断分类和临床决策支持的前景.
研究的目的:
- 探索使用基于深度学习的放射学来准确分类GBM和单独大脑转移 (SBM) 的术前分类的可行性.
- 调查多模式数据融合对分类性能的影响.
- 为了开发一个对比解的多模态MR放射学特征融合技术.
主要方法:
- 对135名大脑瘤和73名SBM患者的头骨MRI数据的回顾性分析.
- 从T1重量,T1C重量和T2重量MRI序列中提取多模式放射学特征.
- 随机森林用于特征选择和对比解的应用,用于特征融合.
主要成果:
- 与单模数据相比,多模融合模型显著改善了分类,实现了高的曲线下的面积 (AUC) 值.
- 提出的对比分离多模态MR融合方法实现了优异的性能,AUC为0.985,精度 (ACC) 为0.984,灵敏度 (SEN) 为0.900,特异性 (SPE) 为0.990.
- 废弃实验表明,同时使用三种损失函数可以使AUC,ACC和SEN分别增加1.6%,10.9%和15.0%.
结论:
- 基于深度学习的对比解的多模态MR放射学特征融合是改善GBM和SBM分类的有效方法.
- 这种技术为准确的脑瘤手术前差异诊断提供了一个有前途的方法.
