数据与StyleTransfer-GANs协调:增强大脑瘤中的非侵入性IDH分类
Ganesh B Y Chandan1, Jason Bowerman1, Nghi C D Truong1
1Department of Radiology, UT Southwestern Medical Center.
概括
风格转移生成对抗网络 (ST-GANs) 协调脑质瘤的多部位MRI数据. 这提高了深度学习模型的准确性,以确定异酸脱酶 (IDH) 突变状态,帮助预后和治疗.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 异酸脱酶 (IDH) 突变状态是脑质瘤的一个关键预后标志物.
- 准确的,非侵入性的IDH状态确定对于患者管理至关重要.
- 机构间MRI采集协议的变化限制了IDH分类的深度学习 (DL) 模型的可靠性.
研究的目的:
- 开发和评估一种StyleTransfer-GAN (ST-net) 系统,用于协调多站点MRI数据.
- 评估数据协调对DL网络 (MC-net) 的性能对IDH分类的影响.
主要方法:
- 开发ST-net,一个StyleTransfer-GAN,以协调多站点MRI数据集.
- 将ST-net应用于多种MRI数据库,同时保持基本的成像功能.
- 在ST网络协调之前和之后使用MC网络评估IDH分类准确性.
主要成果:
- 在不同的MRI数据集中,ST-net有效地协调了风格特征,减少了协议引起的差异.
- 在协调后,IDH分类的准确性大大提高了.
- 观察到提高了灵敏度和特异性,随着风格转移参考而有所不同.
结论:
- 使用GAN的数据协调,如ST-net,可以显著提高DL模型在神经瘤学中的通用性和临床实用性.
- 这种方法为增强神经成像任务提供了可扩展的解决方案,特别是用于脑质瘤的IDH分类.
