分享:
分享到微信朋友圈
X
特别关注
基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究
李大瑞 胡万均 刘光耀 甘铁军 马来阳 张静

Cite this article as: LI D R, HU W J, LIU G Y, et al. The MRI-based 3D-ResNet101 deep learning model for predicting preoperative grading of gliomas: A multicenter study[J]. Chin J Magn Reson Imaging, 2023, 14(5): 25-30.本文引用格式:李大瑞, 胡万均, 刘光耀, 等. 基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究[J]. 磁共振成像, 2023, 14(5): 25-30. DOI:10.12015/issn.1674-8034.2023.05.006.


[摘要] 目的 术前准确无创预测胶质瘤分级仍然具有挑战性。基于常规T2WI图像开发一种鲁棒性强的残差神经网络(Residual Networks, ResNet)深度学习模型以预测脑胶质瘤术前病理分级。材料与方法 回顾性分析919例经病理证实为胶质瘤患者的术前T2WI图像,其中708例为2014年6月至2021年4月在兰州大学第二医院收治的患者数据,211例来源于癌症影像档案(The Cancer Imaging Archive, TCIA)数据库。TCIA数据集又被细分为开发集(n=135)和独立测试集(n=76),将兰州大学第二医院数据集和TCIA开发集的数据按7∶3随机分为训练集(n=590)和测试集(n=253),基于T2WI图像构建3D-ResNet101深度学习模型。训练后的模型在测试集和独立测试集进行验证,并通过宏观F1分数、准确率(accaruy, ACC)及受试者工作特征(receiver operating characteristic, ROC)曲线对模型效能进行评估。结果 基于T2WI构建的3D-ResNet101深度学习模型在训练集和测试集ACC分别为99%、95%,F1分数分别为99%、95%,ROC曲线下面积(area under the curve, AUC)分别为0.98、0.97;独立测试集ACC为83%、F1分数为83%、AUC为0.89。结论 基于T2WI图像的3D-ResNet101深度学习模型预测高、低级别胶质瘤具有较高的准确性、鲁棒性。该方法可用于术前胶质瘤分级的无创预测,并有助于提升患者临床管理的有效性。
[Abstract] Objective The preoperative accurate and non-invasive prediction of glioma grading remains challenging. Developing a robust Residual Networks (ResNet) deep learning model based on conventional T2WI images to predict preoperative pathological grading of gliomas.Materials and Methods A retrospective analysis of preoperative T2WI images of 919 patients with pathologically confirmed glioma, of which 708 were data from patients enrolled at the Second Hospital of Lanzhou University from June 2014 to April 2021 and 211 were derived from The Cancer Imaging Archive (TCIA) database. The TCIA dataset was subdivided into a development set (n=135) and an independent test set (n=76). The data from the Second Hospital of Lanzhou University dataset and the TCIA development set were randomly split 7∶3 into a training set (n=590) and a test set (n=253) to construct a 3D-ResNet101 deep learning model based on T2WI images. After the training, the models were validated on the test set and independent test set, where the model efficacy was assessed by macro F1 scores, accuracy (ACC), and receiver operating characteristic (ROC) curves.Results The 3D-ResNet101 deep learning model constructed based on T2WI had ACCs of 99% and 95% in the training and test sets, respectively; The F1 scores were 99% and 95%, respectively; the area under the ROC curve (AUC) were 0.98 and 0.97, respectively; the ACC of the independent test set was 83%, the F1 score was 83%, and the AUC was 0.89.Conclusions The 3D-ResNet101 deep learning model based on T2WI images predicts high- and low-grade gliomas with high accuracy and robustness. The method can be used for the non-invasive prediction of preoperative glioma grading as well as helping to improve the effectiveness of clinical management of patients.
[关键词] 胶质瘤;3D-残差神经网络;深度学习;磁共振成像;T2加权成像
[Keywords] glioma;3D-Residual Networks;deep learning;magnetic resonance imaging;T2 weighted imaging

李大瑞 1, 2, 3   胡万均 1, 2   刘光耀 1, 2   甘铁军 1, 2   马来阳 1, 2, 3   张静 1, 2*  

1 兰州大学第二医院核磁共振科,兰州 730030

2 甘肃省功能及分子影像临床医学研究中心,兰州 730030

3 兰州大学第二临床医学院,兰州 730030

通信作者:张静,E-mail:lztong2001@163.com

作者贡献声明:张静设计本研究的方案,对稿件的重要内容进行了修改;李大瑞起草和撰写稿件,获取、分析或解释本研究的数据;甘铁军、刘光耀、马来阳、胡万均获取、分析或解释本研究的数据,对稿件的重要内容进行了修改;李大瑞、胡万均、甘铁军、刘光耀、马来阳、张静获得了甘肃省卫生健康行业科研项目的基金资助,李大瑞、胡万均、甘铁军,刘光耀、马来阳、张静获得了兰州大学第二医院“萃英科技创新”项目的基金资助;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 甘肃省卫生健康行业科研项目 GSWSKY2020-68 兰州大学第二医院“萃英科技创新”项目 CY2021-BJ-A05
收稿日期:2023-01-04
接受日期:2023-05-06
中图分类号:R445.2  R730.264 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.05.006
本文引用格式:李大瑞, 胡万均, 刘光耀, 等. 基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究[J]. 磁共振成像, 2023, 14(5): 25-30. DOI:10.12015/issn.1674-8034.2023.05.006.

0 前言

       胶质瘤是成人脑内最常见的原发性恶性肿瘤,全球每年发病率为5.6例/10万人,而胶质母细胞瘤的中位总生存期(overall survival, OS)仅为14.4个月[1]。根据世界卫生组织2016年对中枢神经系统肿瘤的分类,将胶质瘤分为低级别胶质瘤(low-grade glioma, LGG)和高级别胶质瘤(high-grade glioma, HGG),然而,胶质瘤不同级别临床治疗策略不尽相同,且影响患者预后和结局,因此准确无创地预测胶质瘤分级对于指导临床治疗方案具有重要价值[2]。目前,常规MRI在胶质瘤分级的临床诊断中仍占有重要地位,但其敏感性和特异性不高[3]。近年来人工智能在医学图像处理中的应用已成为临床研究热点,机器学习尤其是深度学习在肿瘤分级预测、鉴别诊断、肿瘤分割以及生存预测等方面展现出巨大的潜能[4]。SHIN等[5]构建了一种鲁棒性较强的深度学习模型对胶质母细胞瘤和单发的脑转移瘤进行鉴别,并且就鉴别这两种疾病的能力与两名神经放射科医师进行对比,他们的研究结果证实该深度学习分类模型的表现优于初级神经放射科医生,并与经验丰富的神经放射科医生预测结果相当。AHAMMED MUNEER等[6]对基于Wndchrm工具的分类器和基于VGG-19深度卷积神经网络(convolutional neural networks, CNN)分类器对LGG、少突胶质细胞瘤、间变性胶质瘤和多形胶质母细胞瘤进行分类和比较,这两种类型的分类器准确率分别为92.86%和98.25%,在他们的试验中还观察到,如果增加图像输入的数量,分类器的性能也会随之增加。尽管在以往研究中,深度学习在无创预测胶质瘤分级中已突显潜力,但是HE等[7]证明深度CNN随着网络深度的增加,其训练精度就会下降,而基于残差连接的深度神经网络可以弥补CNN所带来的精度退化问题,并使神经网络拥有更好的表达能力。KORFIATIS等[8]构建了基于ResNet50的深度学习模型来预测胶质瘤MGMT甲基化状态,在测试集上的准确率达94.90%。然而,以往大多数研究均使用2D卷积网络作为图像输入,其不能充分利用医学图像中的空间数据信息,因此我们尝试基于常规MRI图像开发3D-ResNet101深度学习模型,对脑胶质瘤的病理级别进行预测,并在独立的外部测试集上验证其鲁棒性。

1 材料与方法

1.1 一般材料

       本研究纳入的脑胶质瘤患者来自兰州大学第二医院(Lanzhou University Second Hospital, LUSH)和癌症影像档案(The Cancer Imaging Archive, TCIA)[9]。回顾性分析兰州大学第二医院2014年6月至2021年4月手术并经病理证实的脑胶质瘤患者717例,TCIA数据库下载病理结果及MRI图像完整的不同级别胶质瘤218例,纳入标准:(1)术前2周内进行3.0 T MRI检查;(2)行肿瘤切除术或立体定位活检术,病理分级结果明确;(3)肿瘤最大径大于10.0 mm。

       排除标准:(1)MRI检查前有颅脑肿瘤手术史、放化疗史(n=4);(2)T2WI图像质量差,具有运动伪影等(n=5);(3)年龄、性别等资料缺失(n=7);(4)合并脑出血,外伤等以及颅内有其他器质性病变者(n=0)。

       最终共计纳入脑胶质瘤患者919例,其中708例为兰州大学第二医院收治的患者数据,211例来源于TCIA数据库,按照WHO分级分为LGG组和HGG组,LGG组(WHO Ⅰ~Ⅱ级)262例;HGG组(WHO Ⅲ~Ⅳ级)657例。研究对象入组流程见图1。该研究通过兰州大学第二医院伦理委员会批准(批准文号:2021A-517),免除受试者知情同意。

图1  患者入组流程。
Fig. 1  Flowchart of patient enrollment.

1.2 仪器与参数

       兰州大学第二医院所采用的MR扫描仪为3.0 T(Verio,Siemens,Germany),8通道头线圈,T2WI序列参数如下:TR 4500 ms,TE 91 ms,翻转角176°,矩阵448×448,层厚5 mm,层间距0.6 mm,FOV 230 mm×230 mm。

1.3 图像预处理

       所有图像均以匿名DICOM格式进行下载;参考CHOI等[10]的图像预处理方法,首先利用Ants软件将所有数据进行N4偏场校正以消除磁场不均匀对模型性能的影响,然后使用Python 3.7工具将肿瘤随机裁剪为3D立方体patch,包括肿瘤实质及水肿区域,利用最近邻方法将3D立方体patch重采样至90 mm×90 mm×90 mm体素大小;最后对图像信号强度进行归一化,将其值缩放到0~1之间,将所有图像统一保存为Nifty格式。我们将来自TCIA的数据细分为开发集和独立测试集,将兰州大学第二医院数据集和TCIA开发集的数据按7∶3随机分为训练集(n=590)、测试集(n=253)。76例TICA独立测试集的数据作为最终对模型泛化性能的外部测试。

1.4 模型建立和效能评估

       在2D-ResNet基础上,我们将所有2D卷积层全部替换为3D卷积;并搭建3D-ResNet101模型(图2),使其更符合医学图像的三维格式;受显卡及计算内存限制,我们最终将输入图像大小固定在90 mm×90 mm×90 mm,在模型训练过程中,使用随机平移、缩放、旋转、剪切、高斯噪声和模糊、拉普拉斯变化等对输入图像进行数据增强以扩充数据量并减少模型训练过程中的过拟合现象。使用Adam优化器(beta1=0.9,beta2=0.999,初始学习率=0.001)对网络进行优化,L2惩罚系数为0.01,数据批次大小为2,交叉熵作为损失函数,使用指数学习率衰减;最大训练epoch为600,当测试集数据获得最大精度时,保存模型所有权重参数,并在独立测试集数据中进行验证。3D-ResNet101模型是基于Python 3.7的PyTorch 1.1.0(https://pytorch.org)平台开发完成,并在NVIDIA-RTX-1060TI图形处理单元进行训练。模型训练后在测试集和独立测试集进行验证,利用宏观F1分数、准确率(accaruy, ACC)及受试者工作特征(receiver operating characteristic, ROC)曲线进行模型效能评估。

图2  3D-ResNet模型架构。2A:对输入模型的数据进行随机裁剪;2B:将图像重采样为90 mm×90 mm×90 mm体素大小,利用残差结构构建3D-ResNet模型提取特征,将特征转换为向量,通过全连接层对胶质瘤进行分类;2C:ResNet网络残差块结构。3D-ResNet:3D残差神经网络;LGG:低级别胶质瘤;HGG:高级别胶质瘤;X:数据输入;Relu:激活函数。
Fig. 2  3D-ResNet model architecture. 2A: Random cropping of data for the input model; 2B: Image resampling to 90 mm×90 mm×90 mm voxel size, 3D-ResNet model construction using residual structure to extract features, conversion of features to vectors and classification of gliomas by fully connected layers; 2C: ResNet network residual block structure. 3D-ResNet: 3D-Residual networks; LGG: low grade glioma; HGG: high grade glioma; X: data input; Relu: activation functions.

1.5 统计学分析

       使用R软件(https://www.r-project.org)进行统计分析。符合正态分布的计量资料用均值±标准差(x¯±s)表示,计数资料采用频数表示。采用双样本t检验比较患者年龄组间差异;性别和胶质瘤级别的组间差异采用卡方检验进行比较。P<0.05为差异具有统计学意义。

2 结果

2.1 人口学资料统计结果

       总共纳入的患者为919例,兰州大学第二医院数据集年龄(44.38±15.51)岁,TCIA数据集年龄(55.64±14.77)岁,HGG共657例,LGG共262例。具体统计结果见表1

表1  胶质瘤患者临床资料
Tab. 1  Patients with glioma clinical profile

2.2 模型的诊断效能

       图3显示了使用ResNet101模型在训练集和测试集获得的混淆矩阵。HGG组无论在训练集和测试集都具有最高的分类精度。表现最差的是测试集LGG。在训练集,模型从582例LGG数据中正确分类了562例,ACC为96%,从1402例HGG数据中正确分类了1393例,ACC为99%。在测试集,模型从237例LGG数据中正确分类了217例,ACC为91%,从613例HGG数据中正确分类了593例,ACC为96%。

       本模型在不同数据集性能表现见表2。3D-ResNet101模型在训练集的ROC曲线下面积(area under the curve, AUC)、ACC、F1分数分别为0.98、99%、99%;测试集的AUC、ACC、F1分数分别为0.97、95%、95%,独立测试集的AUC、ACC、F1分数分别为0.89、83%、83%(图4)。

图3  ResNet101模型在训练集和测试集获得的混淆矩阵。3A:训练集;3B:测试集。混淆矩阵单元中显示的数字为经过数据增强后的样本个数。ResNet:残差神经网络;LGG:低级别胶质瘤;HGG:高级别胶质瘤。
Fig. 3  Confusion matrix obtained for the ResNet101 model on the training and test sets. 3A: Training set; 3B: Test set. The number shown in the confusion matrix cell is the count of samples after data enhancement. ResNet: residual networks; LGG: low grade glioma; HGG: high grade glioma.
图4  3D-ResNet101模型受试者工作特征(ROC)曲线。4A:训练集AUC=0.98,测试集AUC=0.97;4B:独立测试集AUC=0.89。3D-ResNet:3D残差神经网络;AUC:曲线下面积;TPR:真阳性率;FPR:假阳性率。
Fig. 4  The receiver operating characteristic curve for the 3D-ResNet101 model. 4A: Training set AUC=0.98, Test set AUC=0.97. 4B: Independent test set AUC=0.89. 3D-ResNet: 3D-Residual networks; AUC: area under the curve; TPR: true positive rate; FPR: false positive rate.
表2  3D-ResNet101模型的性能表现
Tab. 2  Performance of the 3D-ResNet101 model

3 讨论

       脑胶质瘤主要起源于神经胶质细胞,是成年人最常见的脑恶性原发性肿瘤[11]。HGG侵袭性强,预后差;LGG预后较好,生存期略长,但容易复发,其级别可随时间推移进一步增加[12]。目前,肿瘤分级的金标准是组织病理学,肿瘤病理组织的获取仍依赖于有创外科手术或穿刺活检,而活检可以产生固有采样误差,且组织病理学分析存在观察者间差异。有研究报道病理学诊断中仍然有7%~15%的患者具有不确定性,需辅以影像学检查来表征肿瘤的异质性[13, 14]。这也使得无创MRI检查技术在胶质瘤分级诊断中发挥着重要作用,然而当前各种成像技术的局限性为更深层次的图像特征提取分析方法提供了机会,影像组学和深度学习均可通过高通量提取体素级别的MRI图像中形态、组织以及功能等深层次特征,无创地对胶质瘤病理分级进行预测,这种方法较为客观,且所获得的效果令人满意。值得一提的是,深度CNN相较于影像组学省去了特征计算和从图像特征中俘获关键特征的步骤,一些研究表明在预测胶质瘤病理分级方面深度学习优于影像组学[15, 16]。有研究者利用TCIA数据库中的图像构建ConNets深度学习模型将图像分类为健康脑、LGG及HGG,模型ACC为91%,但值得注意的是该研究用于训练模型的样本量较小,且并未使用基于体素的标签进行模型的训练[17]。本研究基于T2WI图像,构建的3D CNN预测模型在多中心数据上进行独立外部验证,具有较高诊断效能,证明该深度学习模型具有鲁棒性,可作为临床术前无创预测胶质瘤分级的有效方法。

3.1 3D-ResNet预测模型应用价值研究

       ResNet是目前最流行的深度学习架构之一,最近的一项研究利用ResNet50模型对胶质母细胞瘤和孤立性脑转移瘤进行鉴别,其使用2D CNN构建模型,在外部测试中模型AUC达0.835[5]。还有研究者使用ResNet34结构替换U-Net网络中的卷积块,对整个肿瘤的增强、非增强和囊变区域进行分类,使模型收敛速度、训练深度增加的同时也增强了模型的效能[18]。以上研究均使用ResNet这种架构建立2D分类模型,与之相比,我们研究的不同之处在于输入模型的图像是按照肿瘤轮廓进行随机裁剪,而非输入整个图像,这有利于肿瘤特征提取的同时将冗余特征舍弃,能更好地优化模型深度及性能。此外,先前有研究将MRI图像转化为JPG格式场景图像,虽然该方法虽获得的效能较好,但却丢失了MRI图像层与层之间的关联信息,使模型无法进一步优化。因此我们在2D CNN的基础上将其全部替换为3D CNN,从而充分利用MRI图像数据三维空间上下、左右、前后之间的关联信息。此外3D网络可通过排除无关体素提高模型分类的精度并使模型更容易训练[19, 20, 21]。ZHUGE等[14]分别提出了2D mask R-CNN和3D convNet方法对胶质瘤进行分级,他们的试验结果也同样表明3D CNN方法的性能优于前者,这也与我们所构建的模型结果相一致。

3.2 利用常规图像构建预测模型潜在优势与价值

       基于T2WI图像开发的3D-ResNet101模型具有以下优势:首先,T2WI图像为常规扫描中首先获得,其扫描时间较短;其次,T2WI图像质量常较好,比起扫描时间较长的其他序列[如磁共振波谱(magnetic resonance spectroscopy, MRS)成像],其图像不具有明显运动伪影。已有大量研究表明,MRS也可预测胶质瘤病理分级,然而随着扫描时间延长会导致磁场不均匀,患者头动在降低MRS数据质量的同时也会影响MRS代谢产物的测定[22]。SHAKIR等[23]探讨了MRS图像质量与胶质瘤分级之间的关系,该研究发现经过MRS图像质量评估后筛选出的高质量图像诊断胶质瘤分级的ACC明显提高,其结果证实MRS图像质量会影响胶质瘤分级的准确性。有研究结果显示,磁共振灌注成像(perfusion weighted imaging, PWI)可通过测量观察靶区的多个参数,定量评估胶质瘤血流动力学和新生血管的数量,以判断胶质瘤的病理级别。然而,PWI图像信噪比差,无法准确提供肿瘤形态学相关信息。此外,PWI检查需要使用对比剂,对于肾功能不全或对比剂过敏的患者具有一定的局限性[24, 25]。在胶质瘤诊断中T2WI是仅次于增强的重要序列,不仅为患者减少了费用支出,也减少了钆对比剂引起肾源性系统纤维化、脑组织内钆沉积等可能性[26, 27]。在以往研究中,基于T2WI图像,TALO等[28]分别应用AlexNet、Vgg16、ResNet18、ResNet34以及ResNet50等深度学习模型对多种脑疾病进行分类,并评估比较各自的效能,也得到了与我们相类似的结果。我们仅利用单一T2WI构建的深度学习模型,不仅可以准确对HGG、LGG进行预测,同时也更具有向临床应用转化的潜力。

3.3 本研究的局限性

       在本研究中我们采用了来自不同机构的数据,并且在独立测试集上进行了外部验证,这使得模型的泛化性能得到保证。以往研究表明,采用来自不同机构的数据进行训练的模型与采用同一机构相比,模型分类性能会大幅下降,因此基于多中心的研究以增强模型稳定性是必要的[29, 30]。此外,我们研究的不足之处在于:(1)在独立测试集中模型的AUC稍低于测试集,这可能与样本量不足而导致神经网络计算参数过多的过拟合现象有关,后期我们将纳入更多来自多中心的样本来增加模型的鲁棒性及泛化能力;(2)来源于多中心的数据缺乏标准化的采集参数,有些特征因采集参数不同模型的稳定性容易受到影响,这也是模型效能稍有下降的重要原因;(3)本研究中高、低级别胶质瘤样本数据存在不均衡,这也与HGG流行病学发病所占比例较高有关,后期我们将扩充更多LGG的样本数据,以进一步提高模型的稳健性。

4 结论

       综上所述,我们的研究表明基于T2WI的3D-ResNet101深度学习模型用以区分高、低级别脑胶质瘤具有较高的准确性,该模型为术前无创预测胶质瘤病理分级提供了新的方法,以期辅助临床医生进行术前决策,改善患者预后生存,也为深度学习进一步进入临床实践提供了潜在保证。

[1]
JIANG T, NAM D H, RAM Z, et al. Clinical practice guidelines for the management of adult diffuse gliomas[J]. Cancer Lett, 2021, 499: 60-72. DOI: 10.1016/j.canlet.2020.10.050">10.1016/j.canlet.2020.10.050">10.1016/j.canlet.2020.10.050.
[2]
LOUIS D N, PERRY A, REIFENBERGER G, et al. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary[J]. Acta Neuropathol, 2016, 131(6): 803-820. DOI: 10.1007/s00401-016-1545-1">10.1007/s00401-016-1545-1">10.1007/s00401-016-1545-1.
[3]
SU C Q, LU S S, HAN Q Y, et al. Intergrating conventional MRI, texture analysis of dynamic contrast-enhanced MRI, and susceptibility weighted imaging for glioma grading[J]. Acta Radiol, 2019, 60(6): 777-787. DOI: 10.1177/0284185118801127">10.1177/0284185118801127">10.1177/0284185118801127.
[4]
张斌, 薛彩强, 林晓强, 等. 深度学习在脑胶质瘤影像学的研究进展[J]. 中国医学物理学杂志, 2021, 38(8): 1048-1052. DOI: 10.3969/j.issn.1005-202X.2021.08.025">10.3969/j.issn.1005-202X.2021.08.025">10.3969/j.issn.1005-202X.2021.08.025.
ZHANG B, XUE C Q, LIN X Q, et al. Advances in deep learning for brain glioma imaging[J]. Chinese Journal of Medical Physics, 2021, 38(8): 1048-1052. DOI: 10.3969/j.issn.1005-202X.2021.08.025">10.3969/j.issn.1005-202X.2021.08.025">10.3969/j.issn.1005-202X.2021.08.025.
[5]
SHIN I, KIM H, AHN S S, et al. Development and Validation of a Deep Learning-Based Model to Distinguish Glioblastoma from Solitary Brain Metastasis Using Conventional MR Images[J]. AJNR Am J Neuroradiol, 2021, 42(5): 838-844. DOI: 10.3174/ajnr.A7003">10.3174/ajnr.A7003">10.3174/ajnr.A7003.
[6]
AHAMMED MUNEER K V, RAJENDRAN V R, K P J. Glioma Tumor Grade Identification Using Artificial Intelligent Techniques[J]. J Med Syst, 2019, 43(5): 113. DOI: 10.1007/s10916-019-1228-2">10.1007/s10916-019-1228-2">10.1007/s10916-019-1228-2.
[7]
HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770-778.
[8]
KORFIATIS P, KLINE T L, LACHANCE D H, et al. Residual Deep Convolutional Neural Network Predicts MGMT Methylation Status[J]. J Digit Imaging, 2017, 30(5): 622-628. DOI: 10.1007/s10278-017-0009-z">10.1007/s10278-017-0009-z">10.1007/s10278-017-0009-z.
[9]
CLARK K, VENDT B, SMITH K, et al. The Cancer Imaging Archive (TCIA): maintaining and operating a public information repository[J]. J Digit Imaging, 2013, 26(6): 1045-1057. DOI: 10.1007/s10278-013-9622-7">10.1007/s10278-013-9622-7">10.1007/s10278-013-9622-7.
[10]
CHOI Y S, BAE S, CHANG J H, et al. Fully automated hybrid approach to predict the IDH mutation status of gliomas via deep learning and radiomics[J]. Neuro Oncol, 2021, 23(2): 304-313. DOI: 10.1093/neuonc/noaa177">10.1093/neuonc/noaa177">10.1093/neuonc/noaa177.
[11]
ZHA C, MENG X, LI L, et al. Neutrophil extracellular traps mediate the crosstalk between glioma progression and the tumor microenvironment via the HMGB1/RAGE/IL-8 axis[J]. Cancer Biol Med, 2020, 17(1): 154-168. DOI: 10.20892/j.issn.2095-3941.2019.0353">10.20892/j.issn.2095-3941.2019.0353">10.20892/j.issn.2095-3941.2019.0353.
[12]
MZOUGHI H, NJEH I, WALI A, et al. Deep Multi-Scale 3D Convolutional Neural Network (CNN) for MRI Gliomas Brain Tumor Classification[J]. J Digit Imaging, 2020, 33(4): 903-915. DOI: 10.1007/s10278-020-00347-9">10.1007/s10278-020-00347-9">10.1007/s10278-020-00347-9.
[13]
SINGH G, MANJILA S, SAKLA N, et al. Radiomics and radiogenomics in gliomas: a contemporary update[J]. Br J Cancer, 2021, 125(5): 641-657. DOI: 10.1038/s41416-021-01387-w">10.1038/s41416-021-01387-w">10.1038/s41416-021-01387-w.
[14]
ZHUGE Y, NING H, MATHEN P, et al. Automated glioma grading on conventional MRI images using deep convolutional neural networks[J]. Med Phys, 2020, 47(7): 3044-3053. DOI: 10.1002/mp.14168">10.1002/mp.14168">10.1002/mp.14168.
[15]
YANG Y, YAN L F, ZHANG X, et al. Glioma Grading on Conventional MR Images: A Deep Learning Study With Transfer Learning[J]. Front Neurosci, 2018, 12: 804. DOI: 10.3389/fnins.2018.00804">10.3389/fnins.2018.00804">10.3389/fnins.2018.00804.
[16]
LI Y, WEI D, LIU X, et al. Molecular subtyping of diffuse gliomas using magnetic resonance imaging: comparison and correlation between radiomics and deep learning[J]. Eur Radiol, 2022, 32(2): 747-758. DOI: 10.1007/s00330-021-08237-6">10.1007/s00330-021-08237-6">10.1007/s00330-021-08237-6.
[17]
KHAWALDEH S, PERVAIZ U, RAFIQ A, et al. Noninvasive grading of glioma tumor using magnetic resonance imaging with convolutional neural networks[J]. Applied Sciences, 2017, 8(1): 27. DOI: 10.3390/app8010027">10.3390/app8010027">10.3390/app8010027.
[18]
ARTZI M, GERSHOV S, BEN-SIRA L, et al. Automatic segmentation, classification, and follow-up of optic pathway gliomas using deep learning and fuzzy c-means clustering based on MRI[J]. Med Phys, 2020, 47(11): 5693-5701. DOI: 10.1002/mp.14489">10.1002/mp.14489">10.1002/mp.14489.
[19]
BANGALORE YOGANANDA C G, SHAH B R, VEJDANI-JAHROMI M, et al. A novel fully automated MRI-based deep-learning method for classification of IDH mutation status in brain gliomas[J]. Neuro Oncol, 2020, 22(3): 402-411. DOI: 10.1093/neuonc/noz199">10.1093/neuonc/noz199">10.1093/neuonc/noz199.
[20]
YU J, YANG B, WANG J, et al. 2D CNN versus 3D CNN for false-positive reduction in lung cancer screening[J]. J Med Imaging (Bellingham), 2020, 7(5): 051202. DOI: 10.1117/1.JMI.7.5.051202">10.1117/1.JMI.7.5.051202">10.1117/1.JMI.7.5.051202.
[21]
樊凤仙, 胡万均, 姜艳丽, 等. 基于多模态MRI图像的3D卷积神经网络对肝纤维化分类的价值研究[J]. 磁共振成像, 2022, 13(9): 30-34. DOI: 10.12015/issn.1674-8034.2022.09.006">10.12015/issn.1674-8034.2022.09.006">10.12015/issn.1674-8034.2022.09.006.
FAN F X, HU W J, JIANG Y L, et al. The value of 3D convolution neural network based on multimodal MRI images in the classification of liver fibrosis[J]. Chin J Magn Reson Imaging, 2022, 13(9): 30-34. DOI: 10.12015/issn.1674-8034.2022.09.006">10.12015/issn.1674-8034.2022.09.006">10.12015/issn.1674-8034.2022.09.006.
[22]
ANDRONESI O C, BHATTACHARYYA P K, BOGNER W, et al. Motion correction methods for MRS: experts' consensus recommendations[J/OL]. NMR Biomed, 2021, 34(5): e4364 [2023-01-03]. https://pubmed.ncbi.nlm.nih.gov/33089547/. DOI: 10.1002/nbm.4364">10.1002/nbm.4364">10.1002/nbm.4364.
[23]
SHAKIR T M, FENGLI L, CHENGUANG G, et al. 1H-MR spectroscopy in grading of cerebral glioma: A new view point, MRS image quality assessment[J/OL]. Acta Radiol Open, 2022, 11(2): 20584601221077068 [2023-01-03]. https://pubmed.ncbi.nlm.nih.gov/35237448/. DOI: 10.1177/20584601221077068">10.1177/20584601221077068">10.1177/20584601221077068.
[24]
梅邹, 毕俊英. 三种MRI灌注技术术前评估脑胶质瘤分级的价值对比[J]. 磁共振成像, 2022, 13(2): 83-86, 95. DOI: 10.12015/issn.1674-8034.2022.02.017">10.12015/issn.1674-8034.2022.02.017">10.12015/issn.1674-8034.2022.02.017.
MEI Z, BI J Y. Comparison of value of three MRI perfusion techniques in the preoperative assessment of brain glioma grading[J]. Chin J Magn Reson Imaging, 2022, 13(2): 83-86, DOI: 10.12015/issn.1674-8034.2022.02.017">10.12015/issn.1674-8034.2022.02.017">10.12015/issn.1674-8034.2022.02.017.
[25]
ZHANG J, LIU H, TONG H, et al. Clinical Applications of. Contrast-Enhanced Perfusion MRI Techniques in Gliomas: Recent Advances and Current Challenges[J]. Contrast Media Mol Imaging, 2017, 2017: 7064120. DOI: 10.1155/2017/7064120">10.1155/2017/7064120">10.1155/2017/7064120.
[26]
RICHTER H, BUCKER P, DUNKER C, et al. Gadolinium deposition in the brain of dogs after multiple intravenous administrations of linear gadolinium based contrast agents[J/OL]. PLoS One, 2020, 15(2): e0227649 [2023-01-03]. https://pubmed.ncbi.nlm.nih.gov/32012163/. DOI: 10.1371/journal.pone.0227649">10.1371/journal.pone.0227649">10.1371/journal.pone.0227649.
[27]
MATHUR M, JONES J R, WEINREB J C. Gadolinium Deposition and Nephrogenic Systemic Fibrosis: A Radiologist's Primer[J]. Radiographics, 2020, 40(1): 153-162. DOI: 10.1148/rg.2020190110">10.1148/rg.2020190110">10.1148/rg.2020190110.
[28]
TALO M, YILDIRIM O, BALOGLU U B, et al. Convolutional neural networks for multi-class brain disease detection using MRI images[J]. Comput Med Imaging Graph, 2019, 78: 101673. DOI: 10.1016/j.compmedimag.2019.101673">10.1016/j.compmedimag.2019.101673">10.1016/j.compmedimag.2019.101673.
[29]
ALBADAWY E A, SAHA A, MAZUROWSKI M A. Deep learning for segmentation of brain tumors: Impact of cross-institutional training and testing[J]. Med Phys, 2018, 45(3): 1150-1158. DOI: 10.1002/mp.12752">10.1002/mp.12752">10.1002/mp.12752.
[30]
BALACHANDAR N, CHANG K, KALPATHY-CRAMER J, et al. Accounting for data variability in multi-institutional distributed deep learning for medical imaging[J]. J Am Med Inform Assoc, 2020, 27(5): 700-708. DOI: 10.1093/jamia/ocaa017">10.1093/jamia/ocaa017">10.1093/jamia/ocaa017.

上一篇 深度学习重建法提高磁共振高分辨海马冠状位图像质量的比较研究
下一篇 深度学习在肝脏屏气T2加权成像图像质量评价中的应用研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2