一个数据驱动的intravoxel平均扩散度分布方法用于分子分类和MIB-1预测质瘤

科学领域:

• 神经成像是一种神经成像.
• 放射学 放射学是一门学科.
• 计算生物学 计算生物学

背景情况:

• 磁共振成像 (MRI) 测量intravoxel平均扩散分布 (MDDs),以检测细胞内扩散变化.
• 质瘤分类对于预后和治疗至关重要,在亚型之间具有不同的扩散动态.

研究的目的:

• 开发数据驱动的,完全连接的网络 (FCN) 方法,以在不同的信号噪声比率 (SNR) 上实现更快,更稳定的MDD计算.
• 启用瘤微结构映射并评估识别MIB-1标记指数 (LI) 和质瘤分子状况的可靠性.

主要方法:

• 训练了一台FCN来绘制模拟的扩散衰变曲线,以使用500万次模拟对地面真实MDD进行绘制.
• 使用101名质瘤患者和6名健康对照者的体内MRI数据评估了临床可靠性.
• 采用了用于质瘤组织特征和分类后勤回归的 Fuzzy C-means 集群.

主要成果:

• 基于FCN的MDD (FCN-MDD) 方法显示出比基于非负最小平方的MDD (NNLS-MDD) 更高的共弦相似度得分.
• 与NNLS-MDD相比,FCN-MDD光谱更有效地区分增强 (ET) 和非增强 (NET) 瘤组织.
• 在预测MIB-1 LI (0.900) 和IDH突变状态 (0.873) 方面,FCN-MDD实现了高AUC值.

结论:

• 与NNLS-MDD相比,FCN-MDD方法对SNR变化更具稳定性,并且不那么依赖于规范化.
• FCN-MDD促进了对质瘤组成的定性和定量评估.
• 这种方法增强了对质瘤亚型和分子特征的诊断能力.