TopoTxR:一个以拓为导向的深度卷积网络,用于在DCE-MRIs上进行乳腺外围细胞学习
Fan Wang1, Zhilin Zou1, Nicole Sakla2
1Department of Computer Science, State University of New York at Stony Brook, NY, USA.
Medical image analysis
|October 25, 2024
概括
一个新的拓深度学习模型,TopoTxR,在动态对比增强的MRI中增强了乳腺膜异位体的表征. 这种方法改善了预测新辅助化疗反应,为疾病病理生理学的组织结构提供了更好的洞察力.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 放射学 放射学是指放射学
背景情况:
- 在动态对比增强MRI (DCE-MRI) 中进行乳房外皮瘤的表征是复杂的.
- 现有的定量方法,如放射学和深度学习,难以明确量化微妙的辅酶体结构.
- 纤维腺组织的复杂性对准确的分析构成了挑战.
研究的目的:
- 开发一种新的拓方法,用于在乳腺膜体中显式提取多尺度拓结构.
- 将这些拓结构集成到深度学习模型中,使用注意力机制.
- 通过利用拓学的见解来提高预测新辅助化疗反应的可能性.
主要方法:
- 提出了一个拓信息化的深度学习模型,TopoTxR.
- 采用多尺度拓结构提取来近似估计乳腺对酶体结构.
- 通过注意力机制将拓特征纳入深度学习预测模型.
- 使用VICTRE幻乳腺数据集和公共I-SPY 1数据集验证了模型.
主要成果:
- 使用提取的拓特征,TopoTxR有效地接近乳房对细胞结构.
- 该模型展示了与化疗反应相关的乳腺组织的不同拓行为 (pCR与非pCR).
- 与I-SPY 1和拉格斯大学数据集的最先进方法相比,TopoTxR的准确性提高了2.6%,AUC增强了4.6%.
结论:
- TopoTxR提供了对乳腺组织的更深入的了解,这些组织对疾病病理生理学和治疗反应至关重要.
- 拓方法提供了更准确的近似复杂的乳腺对酶体结构.
- 这种方法显示了改善预测乳腺癌中新辅助化疗结果的显著潜力.
