AMINN：基于自编码器的多示例神经网络改进多灶性肝转移预后预测
计算机视觉与模式识别
2021-07-13 v2
摘要
结直肠癌是最常见且致命的癌症之一，结直肠癌肝转移（CRLM）是结直肠癌患者死亡的主要原因。多灶性在CRLM中频繁发生，但在CRLM预后预测中相对未被探索。大多数现有临床和影像生物标志物未考虑所有多灶性病变的影像特征。本文中，我们提出一种端到端基于自编码器的多示例神经网络（AMINN），利用从增强MRI提取的放射组学特征预测多灶性CRLM患者的生存结局。具体而言，我们联合训练一个自编码器来重建输入特征，以及一个多示例网络，通过聚合患者所有肿瘤病灶的信息进行预测。此外，我们引入两步归一化技术以改进深度神经网络的训练，该技术建立在放射组学特征分布几乎总是严重偏斜的观察之上。实验结果实证验证了我们的假设：整合所有病灶的影像特征可改进多灶性癌症的结局预测。所提出的AMINN框架实现了0.70的ROC曲线下面积（AUC），比最佳基线方法高11.4%。基于AMINN输出的风险评分在我们的多灶性CRLM队列中实现了更优预测。一系列消融研究证明了整合所有病灶和应用两步归一化的有效性。我们发布了AMINN的Keras实现。
引用
@article{arxiv.2012.06875,
title = {AMINN: Autoencoder-based Multiple Instance Neural Network Improves Outcome Prediction of Multifocal Liver Metastases},
author = {Jianan Chen and Helen M. C. Cheung and Laurent Milot and Anne L. Martel},
journal= {arXiv preprint arXiv:2012.06875},
year = {2021}
}
备注
Early accepted by MICCAI 2021