清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

Deep Learning of Imaging Phenotype and Genotype for Predicting Overall Survival Time of Glioblastoma Patients

放射基因组学 卷积神经网络 磁共振成像 基因型 深度学习 胶质母细胞瘤 人工智能 神经影像学 计算机科学 机器学习 表型 脑瘤 医学影像学 个性化医疗 循环神经网络 人工神经网络 医学 生物信息学 放射科 病理 癌症研究 生物 基因 无线电技术 精神科 生物化学
作者
Zhenyu Tang,Yuqian Xu,Lei Jin,Abudumijiti Aibaidula,Junfeng Lu,Zhicheng Jiao,Jinsong Wu,Han Zhang,Dinggang Shen
出处
期刊:IEEE Transactions on Medical Imaging [Institute of Electrical and Electronics Engineers]
卷期号:39 (6): 2100-2109 被引量:62
标识
DOI:10.1109/tmi.2020.2964310
摘要

Glioblastoma (GBM) is the most common and deadly malignant brain tumor. For personalized treatment, an accurate pre-operative prognosis for GBM patients is highly desired. Recently, many machine learning-based methods have been adopted to predict overall survival (OS) time based on the pre-operative mono- or multi-modal imaging phenotype. The genotypic information of GBM has been proven to be strongly indicative of the prognosis; however, this has not been considered in the existing imaging-based OS prediction methods. The main reason is that the tumor genotype is unavailable pre-operatively unless deriving from craniotomy. In this paper, we propose a new deep learning-based OS prediction method for GBM patients, which can derive tumor genotype-related features from pre-operative multimodal magnetic resonance imaging (MRI) brain data and feed them to OS prediction. Specifically, we propose a multi-task convolutional neural network (CNN) to accomplish both tumor genotype and OS prediction tasks jointly. As the network can benefit from learning tumor genotype-related features for genotype prediction, the accuracy of predicting OS time can be prominently improved. In the experiments, multimodal MRI brain dataset of 120 GBM patients, with as many as four different genotypic/molecular biomarkers, are used to evaluate our method. Our method achieves the highest OS prediction accuracy compared to other state-of-the-art methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
洁净的盼易完成签到 ,获得积分10
6秒前
枫林摇曳完成签到 ,获得积分10
6秒前
葫芦芦芦完成签到 ,获得积分10
8秒前
魔幻的慕梅完成签到 ,获得积分10
15秒前
成就的笑南完成签到 ,获得积分10
28秒前
wujiwuhui完成签到 ,获得积分10
51秒前
温婉的人雄完成签到,获得积分10
52秒前
xzy998应助依居采纳,获得10
53秒前
zz完成签到 ,获得积分10
1分钟前
依居完成签到,获得积分10
1分钟前
MISA完成签到 ,获得积分10
1分钟前
loga80完成签到,获得积分0
1分钟前
1分钟前
中中中发布了新的文献求助10
1分钟前
XKINGLEE完成签到 ,获得积分10
1分钟前
Sun1c7完成签到,获得积分10
1分钟前
中中中完成签到,获得积分10
1分钟前
科研通AI2S应助竞鹤采纳,获得10
2分钟前
西瓜刀完成签到 ,获得积分10
2分钟前
raiychemj完成签到,获得积分10
2分钟前
DPmmm应助竞鹤采纳,获得10
2分钟前
永不言弃完成签到 ,获得积分10
2分钟前
晴天完成签到 ,获得积分10
2分钟前
Lucas完成签到,获得积分10
2分钟前
穆一手完成签到 ,获得积分10
3分钟前
小鱼女侠完成签到 ,获得积分10
3分钟前
竞鹤完成签到,获得积分10
3分钟前
亮总完成签到 ,获得积分10
3分钟前
闪闪的谷梦完成签到 ,获得积分10
3分钟前
斯文败类应助spark810采纳,获得10
3分钟前
海鹏完成签到 ,获得积分10
3分钟前
研友_89eRG8完成签到,获得积分10
3分钟前
3分钟前
个性仙人掌完成签到 ,获得积分10
3分钟前
尔信完成签到 ,获得积分10
3分钟前
3分钟前
潇潇雨歇发布了新的文献求助10
3分钟前
潇潇雨歇发布了新的文献求助10
3分钟前
3分钟前
潇潇雨歇发布了新的文献求助10
3分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052630
求助须知:如何正确求助?哪些是违规求助? 2709863
关于积分的说明 7418232
捐赠科研通 2354395
什么是DOI,文献DOI怎么找? 1246007
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921