基于图像的分类模型的评估,以在公开可用的UCSF质瘤数据集上使用动脉旋转标记 perfusion MRI识别质瘤亚型

科学领域:

• 神经瘤学神经瘤学
• 放射学 放射学是一门学科.
• 医疗成像医学成像

背景情况:

• 质瘤是一种复杂的脑瘤,具有多种不同的亚型和突变.
• 质瘤的代谢特征可以显著变化.
• 输液成像提供了一种非侵入性方法来调查这些代谢差异.

研究的目的:

• 在动脉旋转标记 (ASL) MRI 数据上利用放射学和机器学习.
• 为了自动区分质瘤亚型和突变.
• 评估ASL放射学在质瘤诊断中的潜力.

主要方法:

• 来自UCSF Glioma数据库的495个ASL perfusion MRI数据集的分析.
• 根据等级,诊断和IDH状态进行瘤细分和分类.
• 使用PyRadiomics提取放射性特征,并通过ReliefF和物流模型树算法进行分析.

主要成果:

• 实现了平衡的准确性:瘤等级为55.76%,突变状态为62.53%和病理诊断为80.97%.
• 功能选择在终点上有所不同,病理诊断利用了最多的功能.
• 在区分病理诊断方面观察到高精度.

结论:

• 基于ASL的放射学和机器学习显示出有助于质瘤诊断的前景,特别是在区分质母细胞瘤和星细胞瘤方面.
• 目前瘤分类和突变状态识别的性能有限.
• 进一步的研究可能会增强这种方法对全面质瘤表征的有用性.