区分胶质母细胞瘤和单发性脑转移瘤的多模态融合深度学习模型的开发和验证 |
| |
引用本文: | 申珊珊,李春泉,范耀华,卢山富,颜子夜,刘虎,周海航,张子健.区分胶质母细胞瘤和单发性脑转移瘤的多模态融合深度学习模型的开发和验证[J].中南大学学报(医学版),2024(1):58-67. |
| |
作者姓名: | 申珊珊 李春泉 范耀华 卢山富 颜子夜 刘虎 周海航 张子健 |
| |
作者单位: | 1. 嘉兴市第二医院肿瘤内科;2. 南昌大学信息工程学院;3. 柏视医疗科技有限公司;4. 嘉兴市第二医院放射科;5. 嘉兴市第二医院神经外科;6. 中南大学湘雅医院肿瘤科 |
| |
基金项目: | 国家自然科学基金(62173176);;湖南省自然科学基金(2023JJ50014)~~; |
| |
摘 要: | 目的:胶质母细胞瘤(glioblastoma,GBM)和脑转移瘤(brain metastases,BMs)是成人中常见的恶性脑肿瘤,目前磁共振成像(magnetic resonance imaging,MRI)是筛查和评估脑肿瘤预后的常用方法,但其鉴别诊断GBM和BMs的特异性和敏感性有限。近年来,深度神经网络在诊断分类和创建临床决策支持系统方面显示出极大的潜力。本研究旨在应用深度学习技术提取的放射组学特征,探讨其在初诊GBM和单发性脑转移瘤(solitary brain metastases,SBMs)术前准确分类中的可行性,进一步探索基于多模态数据融合对分类任务的影响。方法:回顾性分析经组织病理或临床诊断证实的135例初诊GBM患者和73例SBMs患者的头颅MRI序列数据。首先,选择结构性T1加权、T1C加权和T2加权作为整个模型的3个输入,在配准后的3种模态MR图像上人工勾画感兴趣区域(regions of interest,ROI),并获取多模态放射组学特征,使用基于随机森林(random forest,RF)...
|
关 键 词: | 胶质母细胞瘤 单发性脑转移瘤 深度学习 多模态数据 解纠缠 |
|
|