南方医科大学学报

作者：吴垂杏, 钟伟雄, 谢金城, 杨蕊梦, 吴元魁, 许乙凯, 王琳婧, 甄鑫

单位：1.南方医科大学生物医学工程学院，广东 广州 510515；2.广州市第一人民医院放射科，广东 广州 510180；3.华南理工大学医学院，广东 广州 510006；4.南方医科大学南方医院医学影像科，广东 广州 510515；5.广州医科大学附属肿瘤医院，广东 广州 510095

关键词：序列缺失,特征填补,表征学习,高级别胶质瘤,低级别胶质瘤,

基金：国家自然科学基金(82371908);国家自然科学基金青年基金(62106058);广东省自然科学基金(2022A1515011410)

目的 探讨基于序列缺失的MRI多序列特征填补与融合互助模型应用于高级别胶质瘤（HGG）与低级别胶质瘤（LGG）鉴别的性能表现。 方法 回顾性收集305例胶质瘤患者（189例HGG，116例LGG）的MRI图像，分别勾画出T1加权成像（T1WI）、T2加权成像（T2WI）、T2液体翻转恢复衰减（T2_FLAIR）和T1WI增强图像（CE_T1WI）的感兴趣区（ROI），提取出4个ROI的影像组学特征。利用本研究提出的基于序列缺失的MRI多序列特征填补与融合互助模型对含有缺失数据的特征矩阵进行填补与融合双向学习得到互助模型。采用五折交叉验证方法和准确率（ACC）、平衡准确率（BAcc）、ROC曲线下的面积（AUC）、特异性和灵敏度评价该模型的鉴别能力。所提模型与其他非完整多模态分类模型在鉴别HGG与LGG上进行定量比较，对本文提出的特征填补与融合方法学习得到的潜在特征进行类可分性实验，观察样本在二维平面的分类效果，采用收敛性实验验证该模型的可行性。 结果 模型序列缺失率为10%时，其在鉴别HGG与LGG的ACC、BAcc、AUC、特异性、灵敏度分别为：0.777、0.768、0.826、0.754和0.780，融合的潜在特征在类可分性实验中有优秀表现，该算法可迭代至收敛。缺失率为30%、50%时，分类性能也优于其他方法。 结论 基于序列缺失的MRI多序列特征填补与融合互助模型在HGG和LGG的分类任务中具有优异的性能表现。与其他非完整多模态分类模型相比，该模型在鉴别HGG和LGG的分类性能更优，适用于非完整模态的多模态数据的处理。

来源：2024年第8期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2024年第8期