使用RA-DL注意模块引导深度特征提取与放射学特征的小型PET数据集的多实例瘤亚型分类方法

科学领域:

• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能
• 瘤学和癌症研究研究.

背景情况:

• 定子发射断层扫描 (PET) 对于癌症诊断和分期至关重要,但由于有限和不平衡的数据集,准确的瘤亚型分类具有挑战性.
• 有效的治疗计划依赖于精确的瘤亚型识别,其中包括扩散的大B细胞淋巴瘤,霍奇金淋巴瘤,腺癌,小细胞癌,状细胞癌,胆管癌和肝细胞癌.

研究的目的:

• 开发一种新的Radiomics-DeepLearning (RA-DL) 关注方法,用于在小,不平衡的PET数据集中精确地分类瘤亚型.
• 克服小样本大小在实现精确癌症亚型识别方面的局限性.

主要方法:

• 利用支持矢量机器 (SVM) 作为瘤亚型的分类器,结合放射学和从PET图像中提取的深度特征.
• 采用了用于放射学特征压缩的自动编码器和RA-DL-Attention机制来提取互补的深度特征,最大限度地减少冗余.
• 集成的二维感兴趣区域 (ROI) 分段和图像重建作为辅助任务来解决数据限制,使用多实例学习汇总损伤特征.

主要成果:

• 在肺癌亚型分类中实现了高性能,曲线下的面积 (AUC) 值为0.82,0.84和0.83.
• 在淋巴瘤二元分类中表现出显著的结果,AUC值为0.95和0.75.
• 在肝癌二元分类中表现出有前途的表现,AUC值为0.84和0.86.

结论:

• 拟议的RA-DL注意力方法显著优于在小型PET数据集上进行瘤亚型分类的替代方法.
• 互补的放射学和深度特征的整合提高了分类准确性,为具有挑战性的临床场景提供了强大的解决方案.