您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（理学版）》

《山东大学学报(理学版)》 ›› 2023, Vol. 58 ›› Issue (7): 60-66.doi: 10.6040/j.issn.1671-9352.4.2022.2945

•   • 上一篇    下一篇

基于改进EfficientNetV2的脑胶质瘤IDH1突变状态预测方法

徐华畅1(),许倩2,赵钰琳1,梁峰宁1,徐凯2,朱红1,*()   

  1. 1. 徐州医科大学医学信息与工程学院, 江苏 徐州 221000
    2. 徐州医科大学附属医院医学影像科, 江苏 徐州 221000
  • 收稿日期:2022-07-26 出版日期:2023-07-20 发布日期:2023-07-05
  • 通讯作者: 朱红 E-mail:300109110841@stu.xzhmu.edu.cn;zhuhong@xzhmu.edu.cn
  • 作者简介:徐华畅(1998—), 女, 硕士研究生, 研究方向为深度学习、智能医学图像处理. E-mail: 300109110841@stu.xzhmu.edu.cn
  • 基金资助:
    江苏省卫生健康委医学科研项目(Z2020032);徐州市卫生健康委员会青年医学科技创新项目(XWKYHT20210586);徐州医科大学附属医院“青苗人才”专项支持项目(2020QQMRC08)

Prediction method of IDH1 mutation status of glioma based on improved EfficientNetV2

Huachang XU1(),Qian XU2,Yulin ZHAO1,Fengning LIANG1,Kai XU2,Hong ZHU1,*()   

  1. 1. School of Medical Information and Engineering, Xuzhou Medical University, Xuzhou 221000, Jiangsu, China
    2. Medical Imaging Department, Affiliated Hospital of Xuzhou Medical University, Xuzhou 221000, Jiangsu, China
  • Received:2022-07-26 Online:2023-07-20 Published:2023-07-05
  • Contact: Hong ZHU E-mail:300109110841@stu.xzhmu.edu.cn;zhuhong@xzhmu.edu.cn

RichHTML

1

PDF (PC)

364

摘要：

提出了一种基于改进EfficientNetV2的脑胶质瘤IDH1突变状态预测方法。首先使用k-means聚类算法为无标签的脑胶质瘤MRI数据标注伪标签, 并使用Vision Transformer网络对伪标签进行修正, 实现脑胶质瘤数据扩增; 其次将坐标注意力机制加入EfficientNetV2模型, 同时使用果蝇优化算法为模型训练过程中的伪标签数据赋予最优的权重; 最后对脑胶质瘤IDH1突变状态进行分类, 达到了96.32%的预测准确率。实验结果表明, 本文方法能够在术前无创的情况下准确地预测脑胶质瘤IDH1突变状态。

关键词: EfficientNetV2, 脑胶质瘤IDH1, k-means聚类, 伪标签, 果蝇优化算法

Abstract:

The paper proposes a method for predicting the IDH1 mutation status of gliomas based on improved EfficientNetV2. Firstly, k-means clustering algorithm is used to label pseudo-labels for unlabeled glioma MRI data, and the Vision Transformer network is used to correct the pseudo-labels to realize glioma data amplification. Secondly, the coordinate attention is added to the EfficientNetV2 model, and the fruit fly optimization algorithm is used to give the optimal weight to the pseudo-label data during the model training process. Finally, the glioma IDH1 mutation status is classified, and the prediction accuracy is 96.32%. The experimental results show that the proposed method can non-invasively and accurately predict the IDH1 mutation status of gliomas before surgery.

Key words: EfficientNetV2, glioma IDH1, k-means clustering, pseudo-label, fruit fly optimization algorithm

中图分类号: 

  • TP18

图1

k-means聚类算法流程图"

图2

伪标签标注流程图"

表1

EfficientNetV2-S网络结构"

Stage Operator Stride Channels Layers
0 Conv3×3 2 24 1
1 Fused-MBConv1, k3×3 1 24 2
2 Fused-MBConv4, k3×3 2 48 4
3 Fused-MBConv4, k3×3 2 64 4
4 MBConv4, k3×3, SE0.25 2 128 6
5 MBConv6, k3×3, SE0.25 1 160 9
6 MBConv6, k3×3, SE0.25 2 256 15
7 Conv1×1 & Pooling & FC — 1 280 1

图3

EfficientNetV2中的MBConv模块"

图4

改进后的MBConv模块"

图5

果蝇算法优化过程"

表2

模型测试结果"

模型 准确率/% 精确率/% 召回率/% F1分数/% AUROC
T-Net 91.12 89.81 90.71 90.23 0.970 8
TP-Net 94.54 93.61 91.16 92.30 0.976 1
TP-CA-Net 96.32 95.16 94.70 94.93 0.979 2

图6

3种模型的ROC曲线"

表3

不同模型在TCIA胶质瘤IDH1状态预测上的性能比较"

指标 Inception-V3 Mobile-Net-V2 ResNet-50 DenseNet-121 EfficientNet-B0 TP-CA-Net
准确率/% 88.73 77.93 0.892 0 86.85 89.67 95.87
精确率/% 68.19 46.56 44.60 64.25 44.84 95.67
召回率/% 71.37 45.25 50.00 64.25 50.00 92.36
F1分数/% 69.59 45.81 47.15 64.25 47.28 93.88
AUROC 0.832 9 0.513 3 0.535 5 0.866 6 0.530 5 0.972 6
1 LOUIS D N , PERRY A , REIFENBERGER G , et al. The 2016 World Health Organization Classification of Tumors of the central nervous system: a summary[J]. Acta Neuropathologica, 2016, 131 (6): 803- 820.
doi: 10.1007/s00401-016-1545-1
2 CHEN X , YAN Y L , ZHOU J H , et al. Clinical prognostic value of isocitrate dehydrogenase mutation, O-6-methylguanine-DNA methyltransferase promoter methylation, and 1p19q co-deletion in glioma patients[J]. Annals of Translational Medicine, 2019, 7 (20): 541.
doi: 10.21037/atm.2019.09.126
3 LOUIS D N , ARIE P , PIETER W , et al. The 2021 WHO classification of tumors of the central nervous system: a summary[J]. Neuro Oncol, 2021, 23 (8): 1231- 1251.
doi: 10.1093/neuonc/noab106
4 MILLER J J , SHIH H A , ANDRONESI O C , et al. Isocitrate dehydrogenase-mutant glioma: evolving clinical and therapeutic implications[J]. Cancer, 2017, 123 (23): 4535- 4546.
doi: 10.1002/cncr.31039
5 CHOI Y S , BAE S , CHANG J H , et al. Fully automated hybrid approach to predict the IDH mutation status of gliomas via deep learning and radiomics[J]. Neuro Oncol, 2021, 23 (2): 304- 313.
doi: 10.1093/neuonc/noaa177
6 CHOI K S , CHOI S H , JEONG B . Prediction of IDH genotype in gliomas with dynamic susceptibility contrast perfusion MR imaging using an explainable recurrent neural network[J]. Neuro Oncol, 2019, 21 (9): 1197- 1209.
doi: 10.1093/neuonc/noz095
7 BANGALORE Y C , SHAH B R , VEJDANI-JAHROMI M , et al. A novel fully automated MRI-based deep-learning method for classification of IDH mutation status in brain gliomas[J]. Neuro Oncol, 2020, 22 (3): 402- 411.
doi: 10.1093/neuonc/noz199
8 LEE D. Pseudo-label: the simple and efficient semi-supervised learning method for deep neural networks[C]//International Conference on Machine Learning (ICML) 2013. New York: ACM, 2013.
9 ZHANG L F , FRIED D V , FAVE X J , et al. IBEX: an open infrastructure software platform to facilitate collaborative work in radiomics[J]. Med Phys, 2015, 42 (3): 1341- 1353.
doi: 10.1118/1.4908210
10 TAN M X, LE Q V. EfficientNetV2: smaller models and faster training[J/OL]. arXiv, 2021. https://arxiv.org/pdf/2104.00298v1.
11 HU J , SHEN L , SAMUEL A , et al. Squeeze-and-excitation networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 42 (8): 2011- 2023.
12 HOU Q B, ZHOU D Q, FENG J S. Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE, 2021: 13708-13717.
13 PAN W . A new fruit fly optimization algorithm: taking the financial distress model as an example[J]. Knowledge-Based Systems, 2012, 26, 69- 74.
doi: 10.1016/j.knosys.2011.07.001
[1] 胡玉文,徐久成,张倩倩. 决策演化集的李雅普诺夫稳定性[J]. 《山东大学学报(理学版)》, 2023, 58(7): 52-59.
[2] 胡成祥,张莉,黄晓玲,王汇彬. 面向属性变化的动态邻域粗糙集知识更新方法[J]. 《山东大学学报(理学版)》, 2023, 58(7): 37-51.
[3] 范敏,罗杉,李金海. 基于变精度可能算子的网络概念认知[J]. 《山东大学学报(理学版)》, 2022, 57(8): 1-12.
[4] 李心雨,范辉,刘惊雷. 基于自适应图调节和低秩矩阵分解的鲁棒聚类[J]. 《山东大学学报(理学版)》, 2022, 57(8): 21-38.
[5] 张志浩,林耀进,卢舜,吴镒潾,王晨曦. 流缺失标记环境下的多标记特征选择[J]. 《山东大学学报(理学版)》, 2022, 57(8): 39-52.
[6] 韩培磊,魏玲,王振,赵思雨. FCA中的互补概念及其性质与生成[J]. 《山东大学学报(理学版)》, 2022, 57(8): 60-67.
[7] 胡玉文,徐久成,徐天贺. 决策演化集的伯努利移位[J]. 《山东大学学报(理学版)》, 2022, 57(8): 13-20.
[8] 赵双燕,吴家超. 模糊论辩框架哥德尔语义的数值特征[J]. 《山东大学学报(理学版)》, 2022, 57(8): 53-59.
[9] 常丽娜, 魏玲. 基于OE-近似概念格的不完备决策背景的规则提取[J]. 《山东大学学报(理学版)》, 2021, 56(11): 31-37.
[10] 徐菲菲,许赟杰. 基于Arc-LSTM的人职匹配研究[J]. 《山东大学学报(理学版)》, 2021, 56(1): 83-90.
[11] 唐洁,魏玲,任睿思,赵思雨. 基于可能属性分析的粒描述[J]. 《山东大学学报(理学版)》, 2021, 56(1): 75-82.
[12] 张静,马建敏. 基于依赖空间的F-C变精度概念格[J]. 《山东大学学报(理学版)》, 2021, 56(1): 68-74.
[13] 许侃,刘瑞鑫,林鸿飞,刘海峰,冯娇娇,李家平,林原,徐博. 基于异质网络嵌入的学术论文推荐方法[J]. 《山东大学学报(理学版)》, 2020, 55(11): 35-45.
[14] 李小朝. 自由半线性空间上基于同余的上(下)近似[J]. 《山东大学学报(理学版)》, 2020, 55(10): 15-19.
[15] 张超,梁英,方浩汕. 支持隐私保护的社交网络信息推荐方法[J]. 《山东大学学报(理学版)》, 2020, 55(3): 9-18.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 唐风琴1,白建明2. 一类带有广义负上限相依索赔额的风险过程大偏差[J]. J4, 2013, 48(1): 100 -106 .
[2] 程智1,2,孙翠芳2,王宁1,杜先能1. 关于Zn的拉回及其性质[J]. J4, 2013, 48(2): 15 -19 .
[3] 汤晓宏1，胡文效2*，魏彦锋2，蒋锡龙2，张晶莹2，. 葡萄酒野生酿酒酵母的筛选及其生物特性的研究[J]. 山东大学学报（理学版）, 2014, 49(03): 12 -17 .
[4] 杨伦，徐正刚，王慧*，陈其美，陈伟，胡艳霞，石元，祝洪磊，曾勇庆*. RNA干扰沉默PID1基因在C2C12细胞中表达的研究[J]. J4, 2013, 48(1): 36 -42 .
[5] 刘婷婷,陈志勇,李晓琴*,杨文志. 随机变量序列的Berry-Esseen界[J]. 山东大学学报（理学版）, 2014, 49(03): 101 -106 .
[6] 刘艳萍,吴群英. 优化权重下高斯序列最大值几乎处处中心极限定理[J]. 山东大学学报（理学版）, 2014, 49(05): 50 -53 .
[7] 罗斯特,卢丽倩,崔若飞,周伟伟,李增勇*. Monte-Carlo仿真酒精特征波长光子在皮肤中的传输规律及光纤探头设计[J]. J4, 2013, 48(1): 46 -50 .
[8] 田学刚, 王少英. 算子方程AXB=C的解[J]. J4, 2010, 45(6): 74 -80 .
[9] 霍玉洪,季全宝. 一类生物细胞系统钙离子振荡行为的同步研究[J]. J4, 2010, 45(6): 105 -110 .
[10] 冒爱琴1, 2, 杨明君2, 3, 俞海云2, 张品1, 潘仁明1*. 五氟乙烷灭火剂高温热解机理研究[J]. J4, 2013, 48(1): 51 -55 .
版权所有 © 2018 《山东大学学报(理学版)》编辑部　
地址: 山东省济南市山大南路27号山东大学中心校区（250100）　电话: +86-0531-88366917　E-mail: xblxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发