在使用CEST MRI的临床前质母细胞瘤模型中进行瘤划界的无监督异常检测

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 质母细胞瘤由于其异质性质和透性边界,在划分方面存在挑战.
• 用于质母细胞瘤划分的手册注释是广泛的和劳动密集的.
• 化学交换和转移 (CEST) MRI 通过 Z-spectra 提供了对代谢和宏分子信息的非侵入性评估.

研究的目的:

• 开发和评估使用CEST MRI Z-spectra进行质母细胞瘤划分的无监督异常检测 (UAD) 策略.
• 利用CEST的代谢信息来改善瘤检测和划分,帮助治疗规划.
• 评估模型的性能和稳定性,特别是使用加速和不足样本数据.

主要方法:

• 一个1D卷积自编码器 (CAE) 实现了Z频谱重建和异常检测.
• 该CAE在健康的老鼠组织上进行了训练,并在带质瘤的老鼠数据上进行了测试.
• 模型性能与基线异常探测器 (隔离森林,局部异常因素) 进行了比较,并根据各种不足采样方案和加速因子 (2x,7x) 评估.

主要成果:

• 与基线模型相比,CAE实现了优异的性能,Dice得分高达0.72和ROC-AUC为0.968.
• 该模型在不同的采样方案和加速因子中表现出稳定性,保持高性能 (ROC-AUCs ~0.96,子得分高达0.7).
• 特性重要性分析确定了特定的频率偏移 (±3.0到5.0ppm) 作为异常检测的关键贡献者,与磁化转移 (MT),中继核Overhauser效应 (rNOE) 和胺基质子转移 (APT) 池相关.

结论:

• 使用CEST MRI Z光谱的UAD管道通过捕捉生化偏差来实现代谢知情的瘤划分.
• 该框架成功检测瘤区域和瘤内部异质性,可能识别常规成像中看不见的早期疾病变化.
• 该模型在样本不足的情况下的稳定性突出显示了其用于加速MRI采集的临床实用性,为监测瘤进展提供了一个可扩展的工具.