利用细分引导的空间特征嵌入来预测质母细胞瘤的整体存活率,使用多式磁共振成像
Junmo Kwon1, Jonghun Kim2, Hyunjin Park1
1Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon, 16419, South Korea; Center for Neuroscience Imaging Research, Institute for Basic Science, Suwon, 16419, South Korea.
Computer methods and programs in biomedicine
|July 23, 2024
概括
准确预测质母细胞瘤存活率至关重要. 我们的新型细分指导深度学习方法使用多模式MRI提高了整体生存预测,优于基线方法.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析 医学成像分析
- 机器学习 机器学习
背景情况:
- 质母细胞瘤的预后不好,五年生存率低于5%.
- 准确的整体存活率 (OS) 预测对于有效的质母细胞瘤治疗计划至关重要.
研究的目的:
- 开发一种新的深度学习框架,用于使用多式磁共振成像 (MRI) 预测质母细胞瘤患者的整体存活率 (OS).
- 利用脑瘤细分来提高OS预测的准确性.
主要方法:
- 提出了一个细分引导的回归方法,利用预训练的脑瘤细分网络.
- 共同训练了生存回归网络,专注于瘤声细胞和抑制背景噪声.
- 该框架采用了UNETR++的骨干,并纳入了对比损失以提高性能.
主要成果:
- 拟议的框架实现了0.7910的子得分,0.4112的斯皮尔曼相关性和0.6488.8的哈雷尔一致性指数.
- 该模型在BraTS和UCSF-PDGM数据集上的基线方法相比显示出更高的性能.
- 废除研究证实,预训练细分网络并使用对比损失显著改善了OS预测指标.
结论:
- 一个使用预训练的细分骨干和脑瘤细分图的联合学习框架已成功开发用于OS预测.
- 该模型的空间特征图允许使用滑动窗口方法,可适应不同的输入图像分辨率和矩阵大小.
- 这种方法为改善质母细胞瘤患者的生存预测提供了一个有希望的工具.
