使用深度学习的完全自动的mpMRI分析预测了周围质母细胞瘤透和随后的复发

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) 是一种具有高复发率的侵袭性脑瘤,原因是透超出可见边缘.
• 目前的治疗方法受到检测这种瘤透的困难的限制.
• 传统的机器学习需要耗费大量时间的兴趣区域 (ROI) 的手动注释.

研究的目的:

• 开发一种全自动的方法来预测质母细胞瘤透的情况.
• 将深度学习与自动投资回报率生成相结合,用于预测映射.
• 在GBM分析中绕过专家绘制的ROI的需求.

主要方法:

• 使用了手术前的多参数MRI扫描 (T1,T1Gd,T2,T2-FLAIR,ADC).
• 采用基于补丁的卷积神经网络 (CNN),在自动生成的ROI上接受训练.
• 通过交叉验证 (leave-one-out) 评估模型性能.

主要成果:

• 实现了高预测精度 (0.87),特异性 (0.88),和灵敏度 (0.90).
• 证明模型识别的高风险地区出现复发的可能性明显高 (异常比率 = 8.62).
• 生成的预测地图有效地确定了潜在瘤透的区域.

结论:

• 使用深度学习的完全自动的mpMRI分析可以准确地预测GBM透.
• 拟议的方法提供了一种有效的替代手动ROI划分.
• 这种方法有可能改善GBM患者的早期发现和治疗策略.