具有增强特征表示的自适应无监督学习用于胶质母细胞瘤瘤内分区与生存预测
机器学习
2021-08-24 v1 信号处理
摘要
胶质母细胞瘤在区域微结构与血管分布上高度异质。刻画胶质母细胞瘤的空间异质性可带来更精准的治疗。借助无监督学习技术，胶质母细胞瘤MRI衍生的放射组学特征已被广泛用于肿瘤亚区分割与生存预测。然而，算法结果的可靠性常受模糊的中间过程及聚类算法随机性引入的不稳定性所挑战，尤其对于来自异质患者的数据。本文中，我们提出一种自适应无监督学习方法，用于高效的MRI瘤内分区与胶质母细胞瘤生存预测。我们开发了新颖且针对问题的特征增强自编码器(FAE)，以增强成对临床模态的表示，从而改善如K-means等无监督学习算法的聚类稳定性。此外，整个过程由贝叶斯优化(BO)技术建模，采用自定义损失函数，使超参数能在合理少数步骤内自适应优化。结果表明，所提方法能产生稳健且与临床相关的MRI亚区，以及统计显著的生存预测。
引用
@article{arxiv.2108.09423,
title = {Adaptive unsupervised learning with enhanced feature representation for intra-tumor partitioning and survival prediction for glioblastoma},
author = {Yifan Li and Chao Li and Yiran Wei and Stephen Price and Carola-Bibiane Schönlieb and Xi Chen},
journal= {arXiv preprint arXiv:2108.09423},
year = {2021}
}