多代表性深度转移学习用于分类多模体脑MRI扫描中的出血转移和非新发性内血瘤
Luyue Yu1, Linyang Cui2, Jiachen Cui3
1School of Information Science and Engineering, Shandong University, Qingdao 266237, China; Institute of Brain and Brain-Inspired Science, Shandong University, Jinan 250012, China; Aeronautical, Automotive, Chemical and Materials Engineering, Loughborough University, Leicester LE11 3TU, UK.
概括
这项研究引入了一种新的深度学习框架,用于诊断大脑转移 (BM). 这种先进的模型可以准确地区分出血性脑转移 (HBM) 和非新发性内血瘤 (nn-ICH),提高诊断可靠性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 大脑转移 (BMs) 是最常见的成人恶性脑瘤,发病率越来越高.
- 区分出血性大脑转移 (HBM) 与非新发性内血瘤 (nn-ICH) 存在重大诊断挑战.
- 以前的放射性研究面临的局限性包括小样本大小,有限的成像功能和未充分利用的机器学习.
研究的目的:
- 为了解决目前用于脑转移诊断的放射性研究的局限性.
- 引入一个新的多代表性深度转移学习 (MRDTL) 框架.
- 提高区分HBM与nn-ICH的准确性和可靠性.
主要方法:
- 开发了一种使用多模式MRI扫描的多代表性深度转移学习 (MRDTL) 框架.
- 整合了一个多表示融合 (MRF) 模块,以学习多模式序列之间的互补性.
- 实现了社区嵌入 (NE) 模块,以增强可转移表示和模型通用化.
主要成果:
- 在HBMRI数据集上,MRDTL在AUC,F1得分和准确性方面表现优于五种基线方法.
- 在同位点测试中达到94.5%的准确性,在单独的地点测试中达到93.5%.
- 与现有的放射学特征分析方法相比,证明了更可靠的诊断见解.
结论:
- 新的MRDTL框架在诊断大脑转移方面取得了重大进展.
- 这种方法有效地克服了以前放射性研究的局限性.
- MRDTL提供了一个更准确,更可靠的工具来区分HBM和nn-ICH.
