一种用于头颈癌预后预测的归一化全卷积方法
图像与视频处理
2020-06-01 v2 计算机视觉与模式识别
摘要
在医学影像中，不同模态的放射学扫描用于增强临床诊断和治疗规划的不同特征集。这种多样性丰富了可用于预后预测的来源信息。深度学习方法特别适合从图像等高维输入中提取特征。在本工作中，我们将一个增强了FCN（全卷积网络）预处理子网络的CNN分类网络应用于公开的TCIA头颈癌数据集。训练目标基于在4家不同医院获取的预处理FDG PET-CT扫描进行放疗病例的生存预测。我们表明，当联合CT和PET输入图像时，预处理子网络结合聚合残差连接相较于最先进（Sota）结果取得了改进。
引用
@article{arxiv.2005.14017,
title = {A Normalized Fully Convolutional Approach to Head and Neck Cancer Outcome Prediction},
author = {William Le and Francisco Perdigón Romero and Samuel Kadoury},
journal= {arXiv preprint arXiv:2005.14017},
year = {2020}
}
备注
6 pages, 1 figure, 1 table, Medical Imaging with Deep Learning 2020 conference