一种用于纹理模式异质性的贝叶斯非参数模型
应用统计
2020-11-12 v1
摘要
癌症放射组学是一门新兴学科，有望通过强化、纹理、形态与形状的模式来阐明病灶表型与肿瘤异质性。当前图像纹理分析的主流技术依赖于灰度共生矩阵（GLCM）的构建与合成。现有做法将 GLCM 的结构化计数数据简化为冗余且简化的汇总统计量，其分析需针对每个应用进行变量选择与多重比较，从而限制了可重复性。本文提出一种贝叶斯多元概率框架，用于对一组 GLCM 对象进行分析与无监督聚类。通过恰当考虑观测计数的偏态与零膨胀，并同时调整邻近单元已有的空间自相关，该方法有助于在 GLCM 格点本身内估计纹理模式分布。该技术被应用于对增强与未增强 CT 扫描所得的肾上腺病灶图像进行聚类。我们进一步通过考察所得亚型与病理诊断的对应关系，评估其是否具有临床导向。此外，我们通过模拟研究将性能与癌症放射组学中当前使用的一类机器学习方法进行比较。
引用
@article{arxiv.2011.05548,
title = {A Bayesian Nonparametric model for textural pattern heterogeneity},
author = {Xiao Li and Michele Guindani and Chaan S. Ng and Brian P. Hobbs},
journal= {arXiv preprint arXiv:2011.05548},
year = {2020}
}
备注
45 pages, 7 figures, 1 Table