Comparing the performance of dynamic susceptibility contrast and arterial spin labeling for detecting residual and recurrent glioblastoma with deep learning and multishell diffusion MRI
Notice bibliographique
Résumé
AbstractAbstract Background Differentiating recurrent tumor from post-treatment changes remains a major challenge in glioblastoma (GBM) patients. In this work, we compared the performance of 2 different MR perfusion techniques, dynamic susceptibility contrast (DSC), and arterial spin labeling (ASL) to differentiate recurrent tumor and post-treatment changes from the volume of cellular tumor segmented from combined Deep Learning and multimodal MRI measurements, including multishell diffusion and perfusion. Methods In this retrospective study, 137 MRIs from 107 patients with GBM were analyzed. Cellular tumor maps were segmented by 2 radiologists based on imaging, clinical history, and pathology. Multimodal MRI with perfusion and multishell diffusion were inputted into 5 nnU-Net Deep Learning models using either DSC or ASL with combination of multishell diffusion and standard MRI sequences to segment cellular tumor. Models with DSC and ASL were compared using segmentation performance (Dice score) and accuracy to detect recurrent tumor from post-treatment changes (area under the curve [AUC] under the receiver operating characteristic curve). Results Segmentation performances were similar in both cases, with a median Dice score of 0.75 (IQR: 0.53-0.84) for ASL and 0.76 (IQR: 0.57-0.84). AUC was 0.88 (CI 0.82-0.94) for ASL and 0.86 (CI, 0.80-0.92) for DSC, and this difference was statistically significant (P < .05, n = 10 000 permutation test). In 11 individual cases, recurring disease was detected with ASL but missed with cerebral blood volume, including recurring tumor in the vicinity of a surgical cavity (n = 5), close to the skull base (n = 1), and adjacent to an Ommaya reservoir (n = 2). Conclusions Our results demonstrate the utility of ASL in regions where susceptibility artifacts decrease the quality of DSC images.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».