放射学和深度学习在预测质母细胞瘤MGMT甲基化中的相互作用:细分质量的关键作用

科学领域:

• 神经瘤学神经瘤学
• 放射学 放射学是一门学科.
• 医学图像分析 医学图像分析

背景情况:

• 质母细胞瘤 (GBM) 是一种具有不良预后的侵袭性脑瘤,需要精确的治疗选择.
• 甲基氨酸-DNA甲基转移酶 (MGMT) 甲基化状态对于指导GBM治疗至关重要.
• 目前通过侵入性脑活检进行MGMT评估是昂贵和危险的,引发了对非侵入性MRI方法的兴趣.

研究的目的:

• 通过使用多参数磁共振成像 (mpMRI) 评估氨酸-DNA甲基转移酶 (MGMT) 在质母细胞瘤 (GBM) 中的状态.
• 评估细分质量对MGMT状态预测的放射学和深度学习模型性能的影响.

主要方法:

• 使用UPENN-GBM mpMRI数据集开发用于MGMT状态预测的放射性,深度学习和混合模型.
• 使用自动和手动瘤细分面具的模型性能比较.
• 使用子相似系数 (DSC) 分析细分质量.

主要成果:

• 使用手动瘤细分的放射性特征的模型明显优于使用自动细分的模型.
• 这种性能改善甚至在细分口罩在子相似系数 (DSC) 中没有显著差异的情况下也被观察到.
• 目前基于mpMRI的方法没有达到直接治疗指导的足够可靠性.

结论:

• 分段质量是影响从mpMRI报告的MGMT分类性能变化的关键因素.
• 手动细分与自动方法相比,提高了MGMT状态预测的准确性.
• 对于可靠的MGMT状态评估,需要一个具有高质量的细分口罩的基准数据集.