[论文解读] Predicting 1p19q Chromosomal Deletion of Low-Grade Gliomas from MR Images using Deep Learning

Zeynettin Akkus, Issa Ali+6 more|arXiv (Cornell University)|Nov 21, 2016

Glioma Diagnosis and Treatment被引用 11

一句话总结

本研究提出一种基于多尺度卷积神经网络（CNN）的深度学习方法，通过术前T1加权增强扫描（T1C）和T2磁共振（MR）图像非侵入性预测低级别胶质瘤的1p19q染色体联合缺失状态。该方法在159例患者的独立测试集中实现了93.3%的敏感性、82.22%的特异性和87.7%的准确率，显示出在无需手术活检的情况下指导治疗计划的强大潜力。

ABSTRACT

Objective: Several studies have associated codeletion of chromosome arms 1p/19q in low-grade gliomas (LGG) with positive response to treatment and longer progression free survival. Therefore, predicting 1p/19q status is crucial for effective treatment planning of LGG. In this study, we predict the 1p/19q status from MR images using convolutional neural networks (CNN), which could be a noninvasive alternative to surgical biopsy and histopathological analysis. Method: Our method consists of three main steps: image registration, tumor segmentation, and classification of 1p/19q status using CNN. We included a total of 159 LGG with 3 image slices each who had biopsy-proven 1p/19q status (57 nondeleted and 102 codeleted) and preoperative postcontrast-T1 (T1C) and T2 images. We divided our data into training, validation, and test sets. The training data was balanced for equal class probability and then augmented with iterations of random translational shift, rotation, and horizontal and vertical flips to increase the size of the training set. We shuffled and augmented the training data to counter overfitting in each epoch. Finally, we evaluated several configurations of a multi-scale CNN architecture until training and validation accuracies became consistent. Results: The results of the best performing configuration on the unseen test set were 93.3% (sensitivity), 82.22% (specificity), and 87.7% (accuracy). Conclusion: Multi-scale CNN with their self-learning capability provides promising results for predicting 1p/19q status noninvasively based on T1C and T2 images. Significance: Predicting 1p/19q status noninvasively from MR images would allow selecting effective treatment strategies for LGG patients without the need for surgical biopsy.

研究动机与目标

• 开发一种非侵入性方法，利用MRI预测低级别胶质瘤的1p19q染色体联合缺失状态，避免依赖手术活检。
• 通过非侵入性影像生物标志物识别可能对治疗反应良好的患者，以改善治疗规划。
• 利用深度学习从T1C和T2 MR图像中提取与分子状态相关的细微影像特征。
• 在159例低级别胶质瘤患者组成的平衡数据集上验证模型，其活检证实的1p19q状态已明确。

提出的方法

• 该方法包括三个阶段：图像配准以对齐T1C和T2扫描，肿瘤分割以隔离感兴趣区域，以及使用多尺度CNN架构进行分类。
• 训练多尺度CNN以从多个空间尺度的裁剪肿瘤区域中学习分层特征。
• 训练期间应用数据增强，包括随机平移、旋转以及水平/垂直翻转，以提高泛化能力并减少过拟合。
• 训练集经过平衡处理，以确保1p19q联合缺失与非缺失状态的类别概率相等。
• 模型训练采用随机梯度下降法，每个训练周期均进行样本洗牌和数据增强，以增强模型鲁棒性。
• 基于多次迭代中训练与验证准确率的一致性，选择表现最佳的CNN配置。

实验结果

研究问题

• RQ1 仅使用术前T1C和T2 MRI扫描，深度学习模型能否准确预测低级别胶质瘤的1p19q联合缺失状态？
• RQ2 多尺度CNN架构能否在无组织病理学输入的情况下，有效学习与1p19q状态相关的影像生物标志物？
• RQ3 数据增强与类别平衡是否能提升模型在独立测试集上的泛化能力与性能？
• RQ4 非侵入性影像学方法在多大程度上可替代手术活检，用于低级别胶质瘤患者的分子分层？

主要发现

• 所提出的多尺度CNN在未见的测试集中对1p19q联合缺失状态的预测敏感性达到93.3%。
• 该模型表现出82.22%的特异性，表明其正确识别非缺失病例的能力较强。
• 在测试集上总体准确率达到87.7%，反映出在两类样本中均具有稳健的性能表现。
• 最佳模型配置在多次迭代调整网络架构与超参数后，使训练与验证准确率趋于稳定。
• 结果表明，深度学习能够从MRI中提取与分子状态相关的生物相关影像模式。
• 本研究证实，利用标准临床MRI序列非侵入性预测1p19q状态是可行的。