换一批深度多尺度不变特征网络预测胶质瘤1p/19q缺失状态
Deep Multi-scale Invariant Features-based Network for Predicting Status of 1p/19q in Glioma
摘要准确预测胶质瘤染色体1p/19q的缺失状态对于制定合适的治疗方案和评估胶质瘤的预后有着重要的意义.虽然已有研究能够基于磁共振图像和机器学习方法实现胶质瘤1p/19q状态的准确预测,但大多数方法需要事先准确勾画肿瘤边界,无法满足计算机辅助诊断的实际需求.因此,提出一种深度多尺度不变特征网络(deep multi-scale invariant features-based network,DMIF-Net)预测1p/19q的缺失状态.首先利用小波散射网络提取多尺度、多方向不变特征,同时基于深度分离转聚合网络提取高级语义特征,然后通过多尺度池化模块对特征进行降维并融合,最后在仅输入肿瘤区域定界框图像的情况下,实现胶质瘤1p/19q状态的准确预测.实验结果表明,在不需要准确勾画肿瘤边界的前提下,DMIF-Net预测胶质瘤1p/19q缺失状态的AUC(area under curve)可达0.92(95％CI=[0.91,0.94]),相比于最优的主流深度学习模型其AUC增加了4.1％,灵敏度和特异性分别增加了4.6％和3.4％,相比于最好的胶质瘤分类前沿模型,其AUC与精度分别增加了4.9％和5.5％.此外,消融实验证明了本文所提出的多尺度不变特征提取网络可以有效地提高模型的预测性能,说明结合深度高级语义特征和多尺度不变特征可以在不勾画肿瘤边界的情况下,显著增加对胶质瘤1p/19q缺失状态的预测能力,进而为低级别胶质瘤的个性化治疗方案制定提供一种辅助手段.
更多相关知识
- 浏览2
- 被引2
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
