换一批基于距匹配及判别表征学习的多模态特征融合分类模型研究:高级别胶质瘤与单发性脑转移瘤的鉴别诊断
A multi-modal feature fusion classification model based on distance matching and discriminative representation learning for differentiation of high-grade glioma from solitary brain metastasis
摘要目的 探索基于距匹配及判别表征学习的多模态特征融合分类模型在鉴别高级别胶质瘤(HGG)与单发性脑转移(SBM)中的鉴别能力和应用价值.方法 收集了121例患者(61例HGG和60例SBM)的多参数磁共振成像(MRI)扫描图像,在T1W1、T2W1、T2加权液体衰减反转恢复(T2_FLAIR)和T1WI增强图像(CE_T1WI)4种常规轴位MRI图像上勾画目标感兴趣区域(ROI),并使用开源影像组学工具Pyradiomics从4个MRI序列分别提取影像组学特征.使用本研究提出的基于距匹配及判别表征学习的多模态特征融合分类模型对4个MRI序列的影像组学特征进行融合并得到分类模型.采用五折交叉验证方法和特异性(SPE)、灵敏度(SEN)、准确率(ACC)、ROC曲线下面积(AUC)评价该分类模型的鉴别性能.将本研究所提模型与其他特征融合分类模型对于HGG与SBM的鉴别能力进行定量比较,同时对本研究提出特征融合方法得到的融合特征进行样本散点可视化实验,验证本研究所提出的多模态特征融合分类模型的可行性和有效性.结果 五折交叉验证结果显示本研究所提出的基于距匹配及判别表征学习的多模态特征融合分类模型在鉴别高级别胶质瘤与单发性脑转移瘤中的SPE、SEN、ACC、AUC分别为:0.871、0.817、0.843、0.930,且特征融合方法在可视化实验中具有优秀的表现.结论 基于距匹配及判别表征学习的多模态特征融合分类模型在鉴别高级别胶质瘤与单发性脑转移瘤中的应用具有优秀的鉴别能力和较高的应用价值.同时,与其他特征融合分类模型相比,本研究提出的分类模型在HGG与SBM的鉴别分类任务中具有较大的优势.
更多相关知识
关键词
特征融合共享表征学习判别分析高级别胶质瘤单发性脑转移瘤feature fusionshared representation learningdiscriminant analysishigh-grade gliomasolitary brain metastasis
栏目名称
DOI
10.12122/j.issn.1673-4254.2024.01.16
发布时间
2024-02-01（万方平台首次上网日期，不代表论文的发表时间）
- 浏览42
- 被引0
- 下载14
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
