Spatiotemporal Graph Neural Network Modelling Perfusion MRI

要約

灌流 MRI (pMRI) は腫瘍の血管分布に関する貴重な洞察を提供し、腫瘍の遺伝子型を予測できるため、神経膠腫患者の予後に有益であると期待されていますが、4D pMRI に合わせた効果的なモデルはまだ不足しています。
この研究は、GNN ベースの時空間モデル PerfGAT を使用して 4D pMRI をモデル化し、空間情報と時間動態を統合して神経膠腫患者におけるイソクエン酸脱ヒドロゲナーゼ (IDH) 変異状態を予測する最初の試みを紹介します。
具体的には、時間相関モデリングを最適化するために、エッジアテンションとネガティブグラフに基づいたグラフ構造学習アプローチを提案します。
さらに、腫瘍関連の脳領域に対処しながら時空間特徴を統合する二重注意特徴融合モジュールを設計します。
さらに、臨床データセットにおける一般的なラベルの不均衡の問題を軽減できる、時空間データに合わせたクラスバランスのとれた拡張手法を開発します。
私たちの実験結果は、提案された方法が他の最先端のアプローチよりも優れていることを示しており、患者の特徴付けのためにpMRIを効果的にモデル化することが期待されています。

要約(オリジナル)

Perfusion MRI (pMRI) offers valuable insights into tumor vascularity and promises to predict tumor genotypes, thus benefiting prognosis for glioma patients, yet effective models tailored to 4D pMRI are still lacking. This study presents the first attempt to model 4D pMRI using a GNN-based spatiotemporal model PerfGAT, integrating spatial information and temporal kinetics to predict Isocitrate DeHydrogenase (IDH) mutation status in glioma patients. Specifically, we propose a graph structure learning approach based on edge attention and negative graphs to optimize temporal correlations modeling. Moreover, we design a dual-attention feature fusion module to integrate spatiotemporal features while addressing tumor-related brain regions. Further, we develop a class-balanced augmentation methods tailored to spatiotemporal data, which could mitigate the common label imbalance issue in clinical datasets. Our experimental results demonstrate that the proposed method outperforms other state-of-the-art approaches, promising to model pMRI effectively for patient characterization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google