Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging

要約

2015 年から 2020 年までに 780 万人以上の女性が乳がんと診断されました。乳がんの治療計画においてグレード分けが重要な役割を果たします。
しかし、現在の腫瘍のグレード分け方法では患者から組織を採取する必要があるため、ストレスや不快感、高額な医療費が発生します。
合成相関拡散イメージング (CDI$^s$) による体積深部放射線特徴を乳がんのグレード予測に活用した最近の論文では、非侵襲的なグレード分け方法が非常に有望であることが示されました。
この論文は、前立腺癌の描写に対する CDI$^s$ 最適化の影響を動機として、最適化された CDI$^s$ を使用して乳癌の悪性度予測を改善することを検討します。
最適化された CDI$^s$ 信号と拡散強調画像 (DWI) を融合して、患者ごとにマルチパラメトリック MRI を作成します。
より大きな患者コホートを使用し、事前トレーニング済み MONAI モデルのすべてのレイヤーでトレーニングを行うことで、リーブワンアウト相互検証の精度 95.79% を達成しました。これは、以前に報告された精度と比較して 8% 以上高いです。

要約(オリジナル)

Breast cancer was diagnosed for over 7.8 million women between 2015 to 2020. Grading plays a vital role in breast cancer treatment planning. However, the current tumor grading method involves extracting tissue from patients, leading to stress, discomfort, and high medical costs. A recent paper leveraging volumetric deep radiomic features from synthetic correlated diffusion imaging (CDI$^s$) for breast cancer grade prediction showed immense promise for noninvasive methods for grading. Motivated by the impact of CDI$^s$ optimization for prostate cancer delineation, this paper examines using optimized CDI$^s$ to improve breast cancer grade prediction. We fuse the optimized CDI$^s$ signal with diffusion-weighted imaging (DWI) to create a multiparametric MRI for each patient. Using a larger patient cohort and training across all the layers of a pretrained MONAI model, we achieve a leave-one-out cross-validation accuracy of 95.79%, over 8% higher compared to that previously reported.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google