Integrating Radiomics with Deep Learning Enhances Multiple Sclerosis Lesion Delineation

要約

背景：正確な病変のセグメンテーションは、多発性硬化症（MS）診断にとって重要ですが、現在の深い学習アプローチは堅牢性の課題に直面しています。
目的：この研究は、データの融合と深い学習技術を組み合わせることにより、MS病変のセグメンテーションを改善します。
材料と方法：さまざまなMS病変タイプを特徴付け、生のイメージングデータと融合するために、新しい放射性特徴（濃度率とr \ ‘enyiエントロピー）を提案しました。
この研究では、ResNext-Unetアーキテクチャと注意を積んだU-Netアーキテクチャを介したラジオミック機能とイメージングデータを統合しました。
私たちのアプローチは、46人の患者（1102スライス）のスキャンで評価され、データ融合の前後のパフォーマンスを比較しました。
結果：Radiomicsが強化したResnext-Unetは、高いセグメンテーション精度を実証し、MRIのみのベースラインに比べて精度と感度の大幅な改善を達成し、0.774 $ \ PM $ 0.05のDICEスコアを達成しました。
P <0.001 Bonferroni-Adjusted Wilcoxon署名ランクテストによると。 ラジオミクス強化の注意を強化したU-NETモデルは、パフォーマンスの変動性の低下（SDD = 0.18 $ \ PM $ 0.09対0.21 $ $ \ PM $ 0.06; P = 0.03）およびラジオミクス統合を備えたスムーズな検証曲線によって明らかなモデルの安定性が大きくなることを示しました。 結論：これらの結果は、ラジオミクスと生のイメージングデータを融合させると、最先端のモデルのセグメンテーションパフォーマンスと安定性を高めるという仮説を検証します。

要約(オリジナル)

Background: Accurate lesion segmentation is critical for multiple sclerosis (MS) diagnosis, yet current deep learning approaches face robustness challenges. Aim: This study improves MS lesion segmentation by combining data fusion and deep learning techniques. Materials and Methods: We suggested novel radiomic features (concentration rate and R\’enyi entropy) to characterize different MS lesion types and fused these with raw imaging data. The study integrated radiomic features with imaging data through a ResNeXt-UNet architecture and attention-augmented U-Net architecture. Our approach was evaluated on scans from 46 patients (1102 slices), comparing performance before and after data fusion. Results: The radiomics-enhanced ResNeXt-UNet demonstrated high segmentation accuracy, achieving significant improvements in precision and sensitivity over the MRI-only baseline and a Dice score of 0.774$\pm$0.05; p<0.001 according to Bonferroni-adjusted Wilcoxon signed-rank tests. The radiomics-enhanced attention-augmented U-Net model showed a greater model stability evidenced by reduced performance variability (SDD = 0.18 $\pm$ 0.09 vs. 0.21 $\pm$ 0.06; p=0.03) and smoother validation curves with radiomics integration. Conclusion: These results validate our hypothesis that fusing radiomics with raw imaging data boosts segmentation performance and stability in state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google