随机微分方程建模方法用于对脑MRI图像上的星细胞瘤进行分级
Mahsa Raisi-Nafchi1, Mahnoosh Tajmirriahi2, Hossein Rabbani2
1Bioimaging and Biomedical Engineering Department, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, 81746734641, Iran.
Scientific reports
|July 2, 2025
概括
这项研究引入了一种新的方法,用于使用最小的大脑MRI数据来对星系细胞瘤进行分级. 该方法准确地分类瘤等级,有助于对这种常见的大脑瘤的治疗决策.
科学领域:
- 神经瘤学神经瘤学
- 医学成像分析 医学成像分析
- 统计建模 统计建模
背景情况:
- 星细胞瘤是普遍存在的原发性脑瘤,需要精确分类才能有效治疗.
- 当前的分级方法可能受到医学成像数据的可用性限制.
- 术前分类对于定制治疗策略至关重要.
研究的目的:
- 开发一种新的,数据效率高的星细胞瘤手术前分类方法.
- 为了应对医疗成像中瘤分类数据稀缺的挑战.
- 为了提高手术前星细胞瘤分级的准确性.
主要方法:
- 在对比后的T1加权MRI上使用了先进的统计建模与随机微分方程.
- 应用了分数拉普拉斯波器来表示MRI图像的α-稳定性.
- 在1D和2D模式中使用支持向量机,K-最近邻居和随机森林分类器.
主要成果:
- 支持矢量机在三类 (II-IV级) 分类任务中取得了高性能.
- 在2D模式下,精度达到了98.49%,灵敏度达到了98.42%,特异性达到了99.23%.
- 1D模式表现出强的结果,准确率为93.52%,灵敏度为93.23%,特异性为96.72%.
结论:
- 拟议的框架显示了改善手术前的星细胞瘤分类的巨大潜力.
- 该方法使用最小数据的效率使其适用于数据稀缺的场景.
- 准确的手术前分级可以导致更个性化,更有效的患者治疗.
