在AI分类任务中使用格拉米安角场预处理MR光谱数据的可行性:区分质母细胞瘤和淋巴瘤
Arsany Hakim1, Irena Zubak2, Christina Marx1
1University Institute of Diagnostic and Interventional Neuroradiology, Bern University Hospital, Inselspital, University of Bern, Bern, Switzerland.
European journal of radiology
|February 1, 2025
概括
这项研究表明,使用格拉米安角场技术将1DMR光谱数据转换为2D图像,可以使用深度学习有效地分类质母细胞瘤与淋巴瘤. 富里叶变换的光谱产生了比合适的光谱更高的分类精度.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医学中的人工智能
- 神经瘤学神经瘤学
背景情况:
- 磁共振 (MR) 谱学提供了对脑瘤诊断至关重要的代谢信息.
- 在手术前区分质母细胞瘤和淋巴瘤仍然是一个临床挑战.
- 开发先进的计算方法可以提高诊断的准确性.
研究的目的:
- 通过使用格拉米安角场 (GAF) 方法,研究将1D MR光谱数据转换为2D图像.
- 评估这些二维图像作为卷积神经网络 (CNN) 在分类质母细胞瘤与淋巴瘤方面的输入的有效性.
- 为了比较使用原始富里埃变换光谱与后处理的拟合光谱的分类性能.
主要方法:
- 一项回顾性研究包括98名经组织学确认的质母细胞瘤或淋巴瘤患者 (2009-2020年).
- 获得了短回声时间 (TE 30) 的单声素光谱数据.
- 用GAF将光谱转换为2D图像,并作为预训练CNN的输入,比较富里埃变换和拟合光谱.
主要成果:
- 该GAF技术成功地将1DMR光谱数据转化为2D图像.
- 使用GAF转换的里埃转换光谱对质母细胞瘤与淋巴瘤进行分类,达到73.7%的准确率和92%的灵敏度.
- 这种性能略高于使用GAF转换的拟合光谱.
结论:
- 用GAF技术用于深度学习应用,可以有效地将MR光谱数据视觉化为独特的2D图像.
- 使用富里埃变换的光谱数据来生成GAF图像,与配合光谱相比,其分类准确性更高.
- 这种方法显示了增强基于神经网络的脑瘤分类,使用MR光谱学的希望.
