多级特征探索与融合网络用于MRI中IDH状态的预测研究

计算机科学 医学检验 信息科学 人工智能 肿瘤学 医学影像 神经外科 医学
胶质瘤 IDH预测 多级特征 MRI 特征融合

多级特征探索与融合网络用于MRI中IDH状态的预测研究

研究背景

胶质瘤是成年人中最常见的恶性原发性脑肿瘤。根据2021年世界卫生组织（WHO）对肿瘤的分类，基因型在肿瘤亚型划分中具有重要意义，尤其是异柠檬酸脱氢酶（IDH）基因型在诊断胶质瘤时极为重要。临床研究表明，携带IDH突变的胶质瘤通过特定的表观遗传变异特征驱动，影响酶活性、细胞代谢和生物特性；相较于携带IDH野生型的胶质瘤，携带IDH突变的胶质瘤对替莫唑胺更敏感，预后更好。目前，IDH状态的确定主要依赖于在侵入性手术后对组织标本进行基因测序或免疫组织化学分析。然而，侵入性操作可能延误最终治疗决策，甚至导致肿瘤转移。因此，迫切需要通过非侵入性的方法在术前预测IDH状态（IDH prediction），以便为胶质瘤患者制定适当的治疗方案。

论文来源

本论文发表在IEEE Journal of Biomedical and Health Informatics，题目为《Multi-Level Feature Exploration and Fusion Network for Prediction of IDH Status in Gliomas from MRI》，发表于2024年1月。论文作者包括Jiawei Zhang、Jianyun Cao、Fan Tang，Tao Xie，Qianjin Feng和Meiyan Huang，他们分别来自南方医科大学生物医学工程学院、珠江医院和南方医院。

研究流程

多级特征探索与融合网络（MFEFNet）的设计

本研究提出了一种名为多级特征探索与融合网络（MFEFNet）的新方法，该方法用于探索与胶质瘤IDH状态相关的特征，并结合多种特征进行准确的预测。具体的研究流程如下：

  1. 分割引导特征提取模块（Segmentation-guided feature extraction module, SFE）：该模块通过结合分割任务，引导网络提取与肿瘤高度相关的特征。通过使用ResNet50作为编码器，并添加通道自适应权重，网络能够提取不同级别的特征。

  2. 不对称放大模块（Asymmetry magnification module, AMF）：该模块用于检测T2-FLAIR不匹配征象（t2-flair mismatch sign）及其相关特征，通过图像级和特征级的差异放大，显著增强特征表示能力。具体过程包括在图像级别进行元素级减法操作，突出T2和FLAIR序列之间的差异，并通过Siamese结构提取特征级的不匹配特征。

  3. 双注意特征融合模块（Dual-attention feature fusion module, DFF）：该模块包括自注意机制和多实例学习（Multi-instance Learning, MIL）注意池化，旨在结合并利用不同特征间的关系。从患者的每个2D切片中提取特征，然后通过内切片和切片间的特征融合，综合考虑不同的特征信息以进行最终的IDH预测。

研究实验

研究在多中心数据集上进行了评估，显示了在一个独立临床数据集中的有希望的表现。具体实验方法包括：

  1. 数据预处理：所有MRI图像进行偏移场校正，配准到T1 MRI图像，去除颅骨，并插值到0.75×0.75毫米的体素分辨率。同时进行强度归一化，并裁剪成224×224尺寸输入网络。
  2. 网络训练：使用PyTorch框架，NVIDIA 12GB Pascal Titan X GPU。训练集上使用五折交叉验证，最大迭代200个epoch，Adam优化器和one-cycle学习率。
  3. 性能评估：采用ROC曲线下面积（AUC）、准确率（Accuracy, ACC）、灵敏度（Sensitivity, SEN）和特异性（Specificity, SPE）等指标评估IDH预测表现。

研究结果

研究结果展示了三个模块的有效性：

  1. SFE模块：加入分割任务后，提高了IDH预测性能，表明与肿瘤相关的特征能够更好地被提取。
  2. AMF模块：差异化特征增强了IDH预测的精确度，尤其是结合T2-FLAIR不匹配特征，显著提高了特征表示能力。
  3. DFF模块：相比于简单的特征级联，多头自注意机制和多实例学习能更好地捕获切片间的特征相关性，提高了预测性能。 此外，通过对比验证，研究证明了MFEFNet方法优于其他方法的预测和分割性能，更好地提取了与肿瘤相关的潜在信息。

研究价值

科学价值

本研究提出的方法为非侵入性术前IDH预测提供了新的途径，结合分割引导、多级差异放大和双注意力机制，改进了IDH状态预测的性能。

应用价值

该研究方法在实际临床数据集上的表现展示了其良好的泛化能力，有望应用于临床实践中，为胶质瘤患者的诊断和治疗提供重要参考。

研究亮点

  • 创新性：通过设计多级特征探索与融合网络，综合利用T2-FLAIR不匹配特征和自注意机制，有效地捕获与IDH状态相关的特征。
  • 有效性：在多中心数据上的广泛验证，展示了算法的优越性和良好的预测性能。

本研究提出的一套新的深度学习方法，为IDH状态的非侵入性预测提供了有效的解决方案，在胶质瘤诊断和治疗规划中具有重要应用前景。