利用深卷积神经网络改善胶质瘤分级

编辑’s Choice

卷积神经网络能够自动学习鉴别特征,这些功能为分级胶质瘤提供了附加值。

抽象的

背景和目的

图1来自Gutta等
来自一个胶质母细胞瘤患者的代表性分段结果。顶行:冠状;中排:矢状;底部行:轴向。 T1,T1C,T2和Flair在前4栏中显示,重新采样至1mm,注册和滚珠。最右边的列对应于在Flair图像上重叠的分段结果。通过Wang等人使用级联卷积网络进行分段。 [21]。在分段图像中,绿色对应于水肿,黄色对应于增强,红色对应于非增强区域。
准确测定胶质瘤等级导致改善的治疗计划。胶质瘤分级的标准标准是侵入式组织采样。最近,射出特征在胶质瘤级预测中显示出优异的潜力。这些特征可能无法完全利用MR图像中的基础信息。本研究的目的是调查卷积神经网络学知的特征的性能与用于等级预测的标准射线特征相比。

材料和方法

本研究共纳入了237例胶质瘤患者。所有图像都重新采样,注册,颅骨剥离,并分段以提取肿瘤。训练卷积神经网络的学习特征用于等级预测。将所提出的方法的性能与标准机器学习方法进行比较,支持矢量机,随机森林和渐变升压,培训越辐射特征。

结果

实验结果表明,使用从卷积神经网络中提取的学习特征实现了87%的平均精度,优于单独考虑射出物特征的方法。顶级执行机器学习模型是梯度提升,平均精度为64%。因此,精度提高了23%,并且是级预测的有效技术。

结论

卷积神经网络能够自动学习鉴别特征,这些功能为分级胶质瘤提供了附加值。所提出的框架可以提供胶质瘤级预测的显着提高;但是,需要进一步验证。

阅读本文: //bit.ly/2NGDiQg

利用深卷积神经网络改善胶质瘤分级
jross.
杰弗里罗斯 •Mayo Clinic,Phoenix

Jeffrey S. Ross博士是梅奥诊所医学院放射学教授,并在亚利桑那州凤凰城的梅奥诊所做了神经产物。他的出版物包括超过100个同行评审的文章,近60篇非裁决条款,33章,10本书。他是2006 - 2015年的AJNR高级编辑,是3个其他期刊的编辑委员会的成员,以及10个期刊的手稿审稿人。他于2015年7月成为AJNR的主编。他于2013年收到了ASSR的金牌奖。

发表评论

通过电子邮件通知我后续评论。你也可以 订阅 without commenting.