计算智能与神经科学

PDF
计算智能与神经科学/2021/文章
特殊的问题

基于人工智能的计算机视觉生物医学应用

查看本期特刊

研究文章|开放获取

体积 2021 |文章的ID 5520281 | https://doi.org/10.1155/2021/5520281

王瑶,王燕,郭春杰,张双全,杨丽丽 SGPNet:用于胶质瘤分割和IDH基因型预测的三维多任务残差框架”,计算智能与神经科学 卷。2021 文章的ID5520281 9 页面 2021 https://doi.org/10.1155/2021/5520281

SGPNet:用于胶质瘤分割和IDH基因型预测的三维多任务残差框架

学术编辑器:瓦希德Rakhshan
收到了 2021年1月29日
修改后的 2021年3月25日
接受 2021年4月2日
发表 2021年4月19日

摘要

胶质瘤是成人恶性脑肿瘤的主要类型,异柠檬酸脱氢酶(IDH)突变状态严重影响胶质瘤的诊断、治疗和预后。放射医学成像为胶质瘤的病灶间和病灶内异质性的采样提供了一个无创平台,先前的研究表明,IDH基因型可以从多模态放射图像的融合中预测。医学图像特征和IDH基因型对医学治疗至关重要;但对于胶质瘤病变区域的分割和IDH基因型的预测仍缺乏多任务框架。在本文中,我们提出了一种新的用于分割和基因型预测的三维(3D)多任务深度学习模型(SGPNet)。在SGPNet中还引入了残差单元,使输出块能够针对不同的任务提取层次特征,便于信息传播。与多模态脑肿瘤分割挑战(BRATS) 2020和癌症基因组图谱(TCGA)胶质瘤数据库数据集上的先前模型相比,我们的模型降低了26.6%的分类错误率。此外,我们首先通过设置不同的学习目标组,实际研究了病变区域对IDH基因型预测性能的影响。实验结果表明,病变区域信息对IDH基因型预测更为重要。我们的框架是有效的和可推广的,它可以作为一个高度自动化的工具应用于临床决策。

1.简介

胶质瘤是成人恶性脑肿瘤的主要类型,约占80%,世界卫生组织(WHO)将胶质瘤分为I至IV四个等级[1].尽管胶质瘤的发生率很高,但即使在单一的病理分类中,其组织学和分子病因也是可变的[2];因此,认识到这一地位对精准医疗至关重要。异柠檬酸脱氢酶(Isocitrate dehydrogenase, IDH)是IDH1和IDH2的总称,既往研究证明IDH基因型(野生型或突变型)对胶质瘤患者的诊断、治疗和预后有重要影响[3.- - - - - -6].然而,通过活组织检查确定IDH基因型是一种侵入性和昂贵的程序,需要从患者病变中提取细胞样本,而放射医学成像为神经胶质瘤的瘤间和瘤内异质性取样提供了一个非侵入性平台。以往的研究表明,表型(从医学图像中提取)与基因型(从基因表达文件中提取)之间存在很强的相关性,从表型中预测基因型成为一个快速发展的研究领域[7].

目前,已经建立了通过医学图像预测胶质瘤患者基因型的高性能模型。对于这一任务,一种有效的方法是基于放射组学和机器学习算法[89].放射组学是一种由经验丰富的放射科医生使用专业软件和数据表征算法从医学图像中提取病变相关特征的方法[10].经过放射科医生处理后的低维放射组学特征可以很好地表示高维图像数据,利用这些放射组学特征可以更容易地建立IDH预测模型。尽管基于放射组学特征的模型在基因型预测方面表现良好,但它们仍有一些局限性。例如,放射组学特征的提取依赖于放射科医生的判断是一个主观的过程,同时也受到硬件和软件环境因素的影响。不同的放射科医生使用不同的软件和算法可能会导致对病变细节的描述略有不同。此外,所有的原始图像都需要在预测阶段之前进行处理,低维特征限制了模型的进一步研究。总体而言,模型对人工干预的高度依赖限制了模型的泛化能力和再现性。

基于上述观察,研究人员将深度学习(DL)算法引入到基因型预测任务中。深度学习作为机器学习(ML)的一个子类,展现了更强大的学习能力。标注的数据只在训练阶段需要,训练良好的模型可以接收原始图像作为各种任务的输入。原始图像保存了所有关于病变和生物体的信息,使模型能够完成更复杂的任务。必威2490Chang等人利用磁共振(MR)序列图像开发了一种剩余卷积神经网络(CNN) [11].然而,在Chang的工作中,MR序列图像是从整个3D大脑MR图像中手动选择的。为了直接处理3D大脑MR图像,Liang等人开发了3D DenseNet,用于低级别(II级和III级,称为低级别胶质瘤,LGG)和高级别(IV级,称为多形性胶质细胞瘤,GBM)胶质瘤的MR图像的IDH基因型预测,并在验证数据集上实现了84.6%的准确性[12].DL算法在自动分割任务中也表现良好,之前的研究已经建立了许多高性能的模型来从医学图像中分割病变区域[1314].Soltaninejad等人结合DL和ML算法构建了基于超像素和基于超体素的脑肿瘤分割和检测模型[15].然而,这些模型不能预测基因突变状态,而基因突变状态对胶质瘤患者的治疗也很重要。为了提高分割性能,引入了注意机制。尽管注意力机制显示出应用于医学图像任务的潜力,但它显著增加了模型的计算复杂度,特别是对于3D MR图像。这意味着基于注意力的模型需要更多的案例,并且更难以得到良好的训练。Liu等人开发了包括脑干胶质瘤分割和H3 K27M突变预测在内的多任务模型[16].MR图像的表型和IDH基因型都是胶质瘤患者接受合理治疗的重要标准;但对于胶质瘤病变区域的分割和IDH基因型的预测仍缺乏多任务框架。

大脑MR图像包含正常组织和病变区域的细节。正常组织和病变区域都可能影响基因型预测的性能。然而,以往的研究受单一任务模型结构的限制,仅侧重于进行基因型预测的黑盒模型,这限制了其作为计算机辅助诊断和治疗工具的可靠性。由于SGPNet的多任务架构,我们通过设置不同的学习靶点组,建立对照实验,探讨病变区域对IDH基因型预测的影响。

在本文中,我们重点研究了一个多任务CNN模型,以解决低级别胶质瘤(LGG)和多形性胶质母细胞瘤(GBM)肿瘤体积的自动分割以及从MR图像(SGPNet)预测IDH突变的挑战。我们对MR图像的四种模式T1、T1Gd、T2和T2- flair进行预处理,然后将其输入SGPNet,我们的模型由一个主链和两个输出块组成,每个输出块用于分割和IDH状态。为了有效地训练这样一个多任务模型,我们为我们的网络应用了一个多重损失函数,并为不同的块应用了不同的学习率。实验结果表明,在多模态脑肿瘤分割挑战(BRATS)和肿瘤基因组图谱(TCGA)胶质瘤数据库数据集上,我们的模型比以前的模型降低了26.6%的分类错误率。此外,我们还进一步研究了影响IDH基因型预测性能的病变区域特征。我们认为这些实验可以证明病变信息,这对IDH基因型预测具有重要意义,提高了IDH基因型预测的可靠性。

2.材料与方法

2.1.基因档案和医学图像数据集

在本文中,我们使用了癌症基因组图谱(TCGA)和脑肿瘤分割挑战(BRATS) 2020数据库两个数据集进行实验。本文使用的基因型相关数据集为The Cancer Genome Atlas (TCGA) [17提供多种基因数据类型,包括基因表达谱、拷贝数变异谱等。更具体地说,TCGA数据集提供了四种方法来并行识别基因突变状态,包括MuSE [18], MuTect2 [19], SomaticSniper [20.]和VarScan2 [21].我们认为一个基因处于突变状态,当超过一个这些方法表明该基因发生突变。BRATS 2020数据集[22- - - - - -24]提供了LGG和GBM患者的多模式脑MR图像,包括T1, T1Gd, T2和T2- flair体积。BRATS数据集的来源之一是癌症成像档案(TCIA)数据集[25],它允许我们根据两个数据集中的项目ID构建交叉引用的MR图像和基因表达谱数据。分割标签的亚型包括坏死和非增强(NCR和NET)、瘤周水肿(ED)、增强肿瘤(ET)和背景。在本文中,考虑到数据集的规模和我们的研究内容,我们将NCR和NET、ED、ET整合到病变标签中,可以使我们对实验结果的评价更加简洁。从上述数据集中共收集了121例交叉参考患者的数据,其中突变型56例,野生型65例。

2.2.数据处理

原始MR图像经临床专家手工标注;每个实体由四个模态卷(T1, T1Gd, T2, T2- flair)和ground-truth分割标签组成,所有这些图像具有相同的形状 像素。数据预处理过程包括以下步骤。(1)对每一张图像进行裁剪,去除黑色背景。(2)将裁剪后的图像重新塑成统一的形状 像素,然后除分割标签外的所有图像归一化为零均值和单位标准差。(3)将四种模态串联为四个输入通道。数字1说明了上述步骤的预处理程序。考虑到数据集大小的规模,我们还应用了数据增强技术,在每个训练步骤中随机选择shift和flip操作,概率为50%。

2.3.模型架构

在分割任务中,当数据集的大小有限时,使用输入图像的底层细节被证明是重要的;因此,U-Net具有很高的性能,在医学图像分割中得到了广泛的应用[26- - - - - -28].此外,当网络架构较深时,降级也是一个常见的问题[29].受此研究的启发,我们修改了3D U-Net的超参数,并在模型中引入了跳跃连接。我们框架的基本形状基于标准U-Net,包含两条路径,分别称为收缩路径(左侧)和扩展路径(右侧)。在这两条路径中使用了五对块,其中收缩路径中的块的输出作为相应扩展路径中的块的输入的一部分连接起来。这些连接为高级和低级特征映射之间的信息创建了一个快速通道,这有助于梯度向后传播,并将更精细的细节补偿为高级语义特征[30.].此外,这些连接允许输出块从SGPNet的主干中提取不同任务的多级特征。

我们提出的网络由一个主干网和两个输出块组成,如图所示2.更具体地说, 为三维卷积层;四元组中的项 分别表示卷积层的输入通道、输出通道、核大小和步长。 表示实例归一化(IN)层,该层旨在从输入图像中删除特定于实例的对比信息[31),而 为上采样层。 为IDH基因型预测的全连通层。 为以下泄漏整流线性单元(LeakyReLU)激活函数:

分割任务和IDH基因型预测任务共享主干中的大部分权重。总的来说,我们的网络是一个端到端模型,它接收四个通道的MR图像作为输入,并输出分割标签和预测的IDH突变状态。

在契约路径中,我们将标准U-Net中的最大池化层替换为一个 用步幅为2的卷积进行下采样,并将输出通道数量增加一倍,然后进行两次重复 步幅为1的卷积。在卷积层之后还添加了LR和IN。蓝色虚线表示跳过连接;它将每个块中第一个卷积层的输出与最后一个卷积层的输出相加。在扩展路径中,每个块的输入是前一个块和配对收缩路径中对应的特征映射的拼接。第一个 卷积是对串接输入的信息进行集成,然后是a 将输入通道数减半的卷积。上采样层遵循这两个卷积,并使用最近邻插值算法将输入特征的宽度和高度翻倍,然后是a 卷积使输入通道数进一步减少一半。这两个输出块还引入了跳跃式连接的思想。对于分割和IDH基因型输出区块,这些区块的输入来自于主干扩展路径中三个不同级别的区块。

2.4.评价指标

在本节中,我们使用四个指标来评估SGPNet,包括IDH状态预测任务的特异性(SP)、敏感性(SN)、准确性(ACC)和接收器工作特征曲线下面积(AUC),以及分割任务的骰子相似系数(DSC)。特异性(SP)衡量被正确预测的阴性的比例,如公式(2),灵敏度(SN)为真阳性率的测量值,如式(3.).ACC是被正确识别的样本占总样本的比例,如式(4).AUC计算随机选择的正面例子排名高于随机选择的负面例子的概率。骰子相似系数(DSC)用于对预测的分割标签与注释的真实分割标签的匹配程度进行评分,如式(5).

计算上述项目引入了四个定义:真阳性(TP)是正确预测的阳性类的数量,真阴性(TN)是正确预测的阴性类的数量。假阳性(FP)是错误预测的阳性类数量,假阴性(FN)是错误预测的阴性类数量。

2.5.实现细节

考虑到评价指标,交叉熵和骰子损失是该网络的目标函数。在基因突变预测任务中,IDH状态被编码为两个标签(野生型和突变型)。二元交叉熵(BCE)损失函数 用于计算预测标签与ground-truth标签之间的相似度,定义如下: 在哪里 表示模型对类可能性和的预测 表示基本真实值标签。

骰子损失函数的目的是计算预测分割标签与人工标注标签的空间重叠精度,定义如下:

ground-truth分割标签包含的信息比IDH突变状态更多,因此将分割误差与分类误差同等衡量可能并不理想。为了整合上述损失函数,我们将总损失定义如下: 在哪里 是平衡分割误差和分类误差的参数。为了动态平衡骰子损失和分类损失,参数 其中总损失函数定义为 因此,总损失函数可由下式给出:

我们为网络的不同部分设置不同的学习率。其中,骨干和分段标签输出块学习率设置为0.0001,IDH状态预测块学习率设置为0.00005。在训练阶段,我们采用了余弦退火的学习率调度。我们网络的权重是由Adam [32]方法,小批数量为两个。

3.实验与结果

在本节中,我们提出了一系列的实验来证明所提出的多任务模型的性能;我们在BRAST和TCGA数据集上测试了SGPNet,并将SGPNet与三个现有模型进行了比较。此外,我们还讨论了病变信息对IDH状态预测任务的影响。总共涉及121例胶质瘤病例,其中56例突变病例和65例野生型病例。通过五次交叉验证验证了结果的重现性,最终结果为交叉验证的平均值。

3.1.分割和IDH基因型预测的多任务模型

为了评估我们提出的模型的性能,我们将SGPNet与三种不同的模型进行了比较。ACC、SE、SP和AUC指标用于定量评估IDH基因型预测的性能,DSC指标用于评估分割任务的性能。表格1为各模型的ACC、SN、SP、AUC和DSC对IDH基因型预测任务和分割任务性能的影响。数字3.说明了用我们的SGPNet对病变区域进行定性分割的结果,说明了SGPNet可以准确地确定病变区域的边界。


方法 ACC SN SP AUC DSC

梁等。[12 0.846 0.785 0.880 0.857 - - - - - -
Chang等人。[11 0.857 - - - - - - - - - - - - 0.940 - - - - - -
3D U-Net [27 - - - - - - - - - - - - - - - - - - - - - - - - 0.920
SGPNet(仅限段) - - - - - - - - - - - - - - - - - - - - - - - - 0.937
SGPNet(优秀人才) 0.895 0.907 0.883 0.949 0.935

与单任务分割和分类模型不同,SGPNet不仅可以对胶质瘤病灶进行分割,还可以根据脑MR图像预测IDH基因型。SGPNet的阳性预测值(PPV)和阴性预测值(NPV)分别达到0.894和0.908。此外,这些实验结果表明,我们提出的模型与之前的模型相比,分类错误率降低了26.6%,在胶质瘤的病灶分割方面表现良好。

3.2.不同学习目标群体的比较

大脑MR图像包含正常组织和病变区域的细节。正常区域和病变区域都可能影响基因型预测。多任务模型结构允许我们设置不同的学习目标组来研究病变区域信息或全脑MR图像是否更容易影响基因型预测,这可能会增加作为计算机辅助诊断和治疗工具的可靠性。在本节中,我们进行了三个对照实验,通过对不同学习目标组训练SGPNet来分析基因型和表型之间的关系:(1)SGPNet只训练IDH基因型;(2)使用ground-truth分割标签和IDH基因型训练SGPNet;(3)用随机生成的张量作为分割标签和IDH基因型训练SGPNet。表格2显示了IDH基因型预测在三个对照实验中的表现。数字4比较不同实验的比较ROC曲线。


学习目标 ACC SN SP AUC

仅IDH基因型 0.803 0.799 0.807 0.825
IDH基因型+分割标签(基线) 0.895 0.907 0.883 0.949
IDH基因型+随机生成的分割标签 0.720 0.642 0.780 0.727

将总损失函数简化为单任务目标函数 当SGPNet仅使用IDH基因型标签训练时。之后,SGPNet被认为是IDH基因型的分类器,SGPNet的性能不如Liang et al.和Chang et al. [1112].一个重要原因是Liang et al.和Chang et al.裁剪病变区域作为模型的输入,而我们的模型接收全脑MR图像作为输入,考虑到IDH基因型标签信息有限,这增加了模型提取有用特征的难度。当加入ground-truth分割标签作为学习目标时,模型的性能显著提高。然而,第一个实验使用了一个单任务目标函数 而第二个实验使用了多任务目标函数 为了进一步讨论目标函数的影响,我们设置了第三个实验,将随机生成的分割标签作为学习目标。这意味着分割输出块学习了病变区域的错误特征,而IDH状态输出块仍然可以学习整个MR图像的特征;因此,模型的性能显著降低。通过对比这些实验结果,我们可以推断,ground-truth分割标签促进了IDH基因型预测的性能,病变信息对预测IDH基因型更为重要。

4.讨论

考虑到肿瘤大小、形式和强度的广泛变化,开发三维胶质瘤病变的自动分割是一项具有挑战性的任务。此外,IDH的突变状态可作为胶质瘤患者选择诊断和治疗方法的合格生物标志物。以前的研究主要集中在从医学图像中预测基因型[891112];然而,这些单任务模型的实用性和可扩展性都存在一定的局限性。然而,目前还缺乏用于胶质瘤分割和IDH基因型预测的多任务模型。此外,目前还没有研究比较整个MR图像和病变区域的图像特征对IDH基因型预测的影响。

SGPNet是一个端到端框架,旨在解决胶质瘤的分割和IDH基因型预测的挑战。节3.1,实验结果表明,与Liang et al.和Chang et al.的模型相比,IDH基因型预测性能显著提高,预测错误率降低了26.6%。[1112].由于多任务模型架构,在节3.2,我们进一步讨论,通过设置不同的学习靶组,胶质瘤的病灶信息还是整个MR图像信息更容易影响IDH基因型的预测。实验结果表明,与其他实验相比,提供ground-truth分割标签作为学习目标将提高IDH基因型预测的性能。综上所述,我们推测病变区域的信息对IDH基因型预测更为重要,这增加了作为计算机辅助诊断和治疗工具的可靠性。

在临床实践中,胶质瘤的诊断通常由专家根据各种MR图像和基因突变状态做出。磁共振图像的不同形态可以反映病变的不同特征。例如T1提供解剖信息,T2对水肿区域敏感,反映肿瘤形态信息[33].SGPNet可以整合多模态MR图像,预测病变区域边界和患者IDH基因型,减少医生工作量,帮助医生为患者选择合适的治疗方案。SGPNet是可行的分割和基因型预测,因为我们的框架的骨干是设计来学习患者病变的内在信息。同时,SGPNet的框架在相应数据集上训练良好时,可以用于分割其他组织病变或预测其他基因型。SGPNet还可以应用于多中心和更大规模的多序列MR图像数据集,因为我们模型中的骨干对于从不同机构、设备和方式收集的任何MR图像都是通用的。此外,增加训练数据集的规模可以提高SGPNet的泛化能力。为不同组织类型生成概率密度分布也是降低噪声、降低环境噪声、提高泛化能力的有效方法[34].因此,脑胶质瘤自动多任务模型的设计具有较高的临床应用价值。在未来,我们将进一步开发我们的框架,并将SGPNet应用于更多类型的疾病和基因。

5.结论

在本文中,我们提出了一种新的多任务3D框架SGPNet,用于从MR图像中自动分割胶质瘤病变和预测IDH突变状态。我们的框架采用了学习固有MR图像信息的主干,用于分割的两个输出块和胶质瘤的IDH基因型预测。实验结果表明,与以往的研究相比,我们的架构在公共TCGA和BRATS 2020数据集上实现了更好的IDH基因型预测性能,并在分割任务中取得了良好的效果。此外,我们将整个MR图像和病变区域的图像特征对基因型预测和实验结果的影响进行了比较,表明患者的病变信息对预测IDH基因型更有意义。综上所述,准确分割胶质瘤病变区域,预测IDH突变状态,将提高治疗标准,协助医生诊治。

数据可用性

用于支持本研究结果的MRI数据已存入BRATS存储库(http://braintumorsegmentation.org/),用于支持本研究结果的基因谱数据已存入TCGA-GBM和TCGA-LGG库(https://portal.gdc.cancer.gov/projects/TCGA-GBM而且https://portal.gdc.cancer.gov/projects/TCGA-LGG).

利益冲突

作者声明,他们对这篇论文的发表没有任何利益冲突。

致谢

国家自然科学基金项目(no. 62072212、81600923)、吉林省发展计划项目(no. 20200401083GX、2020C003)、吉林省卫生和计划生育委员会基金项目(no. 20200401083GX、2020C003)资助。2020 j052)。吉林省大数据智能计算重点实验室(no.;20180622002 jc)。

参考文献

  1. D. N. Louis, a . Perry, G. Reifenberger等人,“2016年世界卫生组织中枢神经系统肿瘤分类:摘要,”Acta Neuropathologica,第131卷,no。6, pp. 803-820, 2016。视图:出版商的网站|谷歌学者
  2. M. L. Goodenberger和R. B. Jenkins,“成人胶质瘤的遗传学”,癌症遗传学第205卷,no。12, pp. 613-621, 2012。视图:出版商的网站|谷歌学者
  3. C. Hartmann, B. Hentschel, W. Wick等人,“IDH1野生型间变性星形细胞瘤患者的预后比IDH1突变型胶质母细胞瘤更差,IDH1突变状态解释了较高年龄对预后的不利影响:胶质瘤的分类意义。”Acta Neuropathologica,第120卷,no。6, pp. 707-718, 2010。视图:出版商的网站|谷歌学者
  4. S. Nobusawa, T. Watanabe, P. Kleihues和H. Ohgaki,“IDH1突变作为继发性胶质母细胞瘤的分子特征和预测因素,”临床癌症研究,第15卷,no。19, pp. 6002-6007, 2009。视图:出版商的网站|谷歌学者
  5. A. Olar, K. M. Wani, K. D. Alfaro-Munoz等人,“IDH突变状态以及WHO分级和有丝分裂指数在II-III级弥漫性胶质瘤总生存中的作用。”Acta Neuropathologica,第129卷,no。4, pp. 585-596, 2015。视图:出版商的网站|谷歌学者
  6. H. Yan, D. W. Parsons, G. Jin等人,“胶质瘤中的IDH1和IDH2突变”,新英格兰医学杂志第360卷,no。8, pp. 765-773, 2009。视图:出版商的网站|谷歌学者
  7. 王毅,王毅,郭志强等,“基于影像学表型的癌症基因型预测与关联分析:放射基因组学研究”,医学上的生物标记,第14卷,no。12, pp. 1151-1164, 2020。视图:出版商的网站|谷歌学者
  8. H. Arita, M. Kinoshita, A. Kawaguchi等,“病变定位应用磁共振成像放射组学预测II/III级胶质瘤中的IDH和TERT启动子突变。”科学报告,第8卷,no。1、Article ID 11773, 2018。视图:谷歌学者
  9. B. Zhang, K. Chang, S. Ramkissoon等,“多模态MRI特征预测高级别胶质瘤的异柠檬酸脱氢酶基因型,”Neuro-Oncology,第19卷,no。1,页109-117,2017。视图:出版商的网站|谷歌学者
  10. P. Lambin, E. Rios-Velazquez, R Leijenaar等人,“放射组学:使用高级特征分析从医学图像中提取更多信息,”欧洲癌症杂志(牛津,英国:1990),第48卷,no。4, pp. 441-446, 2012。视图:出版商的网站|谷歌学者
  11. K. Chang, H. X. Bai, H. Zhou等,“剩余卷积神经网络用于从MR成像确定低级别和高级别胶质瘤的IDH状态,”临床癌症研究,第24卷,no。5, pp. 1073-1081, 2018。视图:出版商的网站|谷歌学者
  12. 梁淑娟,张仁仁,梁丹丹等,“多模态3D DenseNet用于胶质瘤IDH基因型预测”,基因,第9卷,no。8,第382页,2018。视图:谷歌学者
  13. T. Hassanzadeh, D. Essam和R. Sarker,“用于医学图像分割的2D到3D进化深度卷积神经网络”,IEEE医学影像汇刊,第40卷,no。2,页712-721,2021。视图:出版商的网站|谷歌学者
  14. 高哲,张海辉,董树等,“分布式云边缘智能网络中的显著性目标检测,”IEEE网络,第34卷,no。2,页216-224,2020。视图:出版商的网站|谷歌学者
  15. M. Soltaninejad, L. Zhang, T. Lambrou等人,“使用随机森林和全卷积网络的MRI脑肿瘤分割和患者生存预测”,在国际MICCAI脑损伤研讨会论文集,第204-215页,魁北克市,加拿大,2017年9月。视图:谷歌学者
  16. J. Liu, F. Chen, C. Pan等,“级联深度卷积神经网络用于脑干胶质瘤的关节分割和基因型预测,”IEEE生物医学工程汇刊,第65卷,no。9, pp 1943-1952, 2018。视图:出版商的网站|谷歌学者
  17. K. Tomczak, P. czerwizynska和M. Wiznerowicz,“癌症基因组图谱(TCGA):不可估量的知识来源,”现代肿瘤学,第19卷,no。1A, pp. A68-A77, 2015。视图:谷歌学者
  18. 基因组生物学,第17卷,no。1,页178,2016。视图:谷歌学者
  19. a . McKenna, M. Hanna, E. Banks等人,“基因组分析工具包:用于分析下一代DNA测序数据的MapReduce框架,”基因组研究,第20卷,no。9, pp. 1297-1303, 2010。视图:出版商的网站|谷歌学者
  20. D. E. Larson, C. C. Harris, K. Chen等人,“SomaticSniper:全基因组测序数据中体细胞点突变的识别,”生物信息学,第28卷,no。3, pp. 311-317, 2012。视图:出版商的网站|谷歌学者
  21. D. C. Koboldt, Q. Zhang, D. E. Larson等人,“VarScan 2:通过外显子组测序发现癌症中的体细胞突变和拷贝数改变,”基因组研究,第22卷,no。3, pp. 568-576, 2012。视图:出版商的网站|谷歌学者
  22. S. Bakas, H. Akbari, A. Sotiras等人,“用专家分割标签和放射组学特征推进癌症基因组图谱胶质瘤MRI集合,”科学数据,第4卷,no。1、Article ID 170117,2017。视图:谷歌学者
  23. B. H. Menze, A. Jakab, S. Bauer等人,“多模态脑肿瘤图像分割基准(BRATS)”,IEEE医学影像汇刊,第34卷,no。10,页1993-2024,2015。视图:出版商的网站|谷歌学者
  24. S. Bakas, M. Reyes, A. Jakab等人,“在BRATS挑战中确定用于脑肿瘤分割、进展评估和总体生存预测的最佳机器学习算法”,2018,https://arxiv.org/abs/1811.02629视图:谷歌学者
  25. K. Clark, B. Vendt, K. Smith等人,“癌症成像档案(TCIA):维护和运行一个公共信息存储库,”数字成像杂志,第26卷,no。6, pp. 1045-1057, 2013。视图:出版商的网站|谷歌学者
  26. O. Ronneberger, P. Fischer和T. Brox,“U-net:用于生物医学图像分割的卷积网络”,见医学图像计算与计算机辅助干预论文集,第234-241页,德国慕尼黑,2015年10月。视图:谷歌学者
  27. O。Çiçek, A. Abdulkadir, S. S. Lienkamp, T. Brox,和O. Ronneberger,“3D U-net:从稀疏注释中学习密集的体积分割”,在医学图像计算与计算机辅助干预论文集,第424-432页,希腊雅典,2016年10月。视图:谷歌学者
  28. T. Zhou, S. Ruan和S. Canu,“综述:使用多模态融合的深度学习医学图像分割,”数组中国科学院学报,vol. 4 -4, Article ID 100004,2019。视图:谷歌学者
  29. 何凯,张x,任s,和孙杰,“图像识别的深度残差学习”,在IEEE计算机视觉与模式识别会议论文集,页770-778,拉斯维加斯,NV,美国,2016年6月。视图:谷歌学者
  30. 张正哲,刘强,王宇,“基于深度残差u-net的道路信息提取”,IEEE地球科学与遥感通讯,第15卷,no。5,页749-753,2018。视图:出版商的网站|谷歌学者
  31. D. Ulyanov, A. Vedaldi和V. Lempitsky,“实例规范化:快速程式化的缺失成分”,2016,https://arxiv.org/abs/1607.08022视图:谷歌学者
  32. D. P. Kingma和J. L. Ba,“Adam:随机优化方法”,2015,https://arxiv.org/abs/1412.6980视图:谷歌学者
  33. 吴宇宇,赵正哲,吴文武,林玉林,王敏,“基于自适应超像素的神经胶质瘤自动分割”,医学影像,第19卷,no。1,第73页,2019。视图:出版商的网站|谷歌学者
  34. F. Raschke, T. R. Barrick, T. L. Jones等人,“胶质瘤的组织类型映射”,科学杂志:临床,第21卷,Article ID 101648, 2019。视图:谷歌学者

betway赞助版权所有©2021王瑶等这是一篇开放获取的文章,在创作共用署名许可协议它允许在任何媒介上不受限制地使用、传播和复制,前提是正确地引用原始作品。


更多相关文章

PDF 下载引用 引用
下载其他格式更多的
订购印刷本订单
的观点253
下载169
引用

相关文章

年度文章奖:由我们的主编选出的2020年杰出研究贡献。阅读获奖文章