Pediatric brain tumor classification using deep learning on MR images with age fusion
Notice bibliographique
Résumé
ABSTRACT Background and purpose Brain tumors are among the leading causes of cancer deaths in children. Initial diagnosis based on MR images can be a challenging task for radiologists, depending on the tumor type and location. Deep learning methods could support the diagnosis by predicting the tumor type. Materials and methods A subset (181 subjects) of the data from “Children’s Brain Tumor Network” (CBTN) was used, including infratentorial and supratentorial tumors, with the main tumor types being low-grade astrocytomas, ependymomas, and medulloblastomas. T1w-Gd, T2-w, and ADC MR sequences were used separately. Classification was performed on 2D MR images using four different off-the-shelf deep learning models and a custom-designed shallow network all pre-trained on adult MR images. Joint fusion was implemented to combine image and age data, and tumor type prediction was computed volume-wise. Matthew’s correlation coefficient (MCC), accuracy, and F1 scores were used to assess the models’ performance. Model explainability, using gradient-weighted class activation mapping (Grad-CAM), was implemented and the network’s attention on the tumor region was quantified. Results The shallow custom network resulted in the highest classification performance when trained on T2-w or ADC MR images fused with age information, when considering infratentorial tumors only (MCC: 0.71 for ADC and 0.64 for T2-w), and both infra- and supratentorial tumors (MCC: 0.70 for ADC and 0.57 for T2-w). Conclusion Classification of pediatric brain tumors on MR images could be accomplished using deep learning, and the fusion of age information improved model performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».